“Análise espacial da mortalidade de idosos por doenças crônicas no

município do Rio de Janeiro”

por

Davi da Silveira Barroso Alves

Dissertação apresentada com vistas à obtenção do título de Mestre em

Ciências, na área de Epidemiologia em Saúde Pública.

Orientador principal: Prof. Dr. Ernesto Raúl Caffarena

Segunda orientadora: Prof.ª Dr.ª Maria Tereza Serrano Barbosa

Rio de Janeiro, abril de 2013.

II

Esta dissertação, intitulada

“Análise espacial da mortalidade de idosos por doenças crônicas no

município do Rio de Janeiro”

apresentada por

Davi da Silveira Barroso Alves

foi avaliada pela Banca Examinadora composta pelos seguintes membros:

Prof.ª Dr.ª Luciane de Souza Velasque

Prof. Dr. Oswaldo Gonçalves Cruz

Prof. Dr. Ernesto Raúl Caffarena – Orientador principal

Dissertação defendida e aprovada em 05 de abril de 2013.

Catalogação na fonte

Instituto de Comunicação e Informação Científica e Tecnológica

Biblioteca de Saúde Pública

A474 Alves, Davi da Silveira Barroso

Análise espacial da mortalidade de idosos por

doenças crônicas no município do Rio de Janeiro. /

Davi da Silveira Barroso Alves. -- 2013.

xv,97 f. : tab. ; graf. ; mapas

Orientador: Caffarena, Ernesto Raúl

Barbosa, Maria Tereza Serrano

Dissertação (Mestrado) – Escola Nacional de Saúde

Pública Sergio Arouca, Rio de Janeiro, 2013.

1. Análise Espacial. 2. Transição Demográfica. 3.

Transição Epidemiológica. 4. Doença Crônica. 5.

Idoso. 6. Mortalidade. I. Título.

CDD - 22.ed. –

362.6098153

III

DEDICATÓRIA

À minha mãe Clivilaine, que tanto “puxou

minha orelha”, ainda quando criança, me

incentivando a me dedicar e sempre dar o

melhor nos estudos, e que até hoje me

apoia na busca dos meus sonhos.

Ao meu pai Plínio, pela amizade, dedicação

e suporte incondicional em todos os

momentos de minha vida.

Ao meu irmão Daniel, meu exemplo de

vida, dedicação, esforço, simplicidade e

serenidade.

Sem Vocês nada disto seria possível.

Amo Vocês!

IV

AGRADECIMENTOS

A Deus por me permitir chegar até aqui.

Aos meus pais e demais familiares, sem citar nomes para que ninguém fique de

fora, pelo carinho, amor e suporte.

À Professora Maria do Carmo Ferreira, primeira a despertar em mim o desejo de

seguir a carreira acadêmica, que até hoje me move no cumprimento de mais esta etapa

de minha formação.

Á Tereza, mestra, eterna orientadora, amiga e exemplo profissional, sem a qual

não teria chegado até aqui. Pelo apoio, por acreditar e investir em mim durante a

graduação, por todas as oportunidades que tem me possibilitado, pelo incentivo para que

fizesse o mestrado na Escola Nacional de Saúde Pública e buscasse ampliar meus

horizontes técnicos e profissionais, por aceitar o desafio de me orientar em mais esta

etapa, mesmo com pouco tempo para termina-la e todas as dificuldades que eu vinha

enfrentando para prosseguir.

Ao Ernesto, pela atenção, paciência, persistência e por todo o apoio durante os

momentos mais difíceis desta caminhada. E pela oportunidade de herdar a ascendência

Gaussiana.

Ao professor Oswaldo Cruz pela ideia inicial que deu origem a esta dissertação.

À minha amiga Raila e sua amizade incondicional, por me aturar desde a

graduação e sempre me apoiar em todas as áreas da minha vida a partir de então.

Aos meus amigos Gabriel, Rodrigo, Eduardo e Murilo com quem compartilhei a

maioria dos momentos de descontração e alegria durante toda a minha vida, e sem os

quais tudo seria menos divertido, bem como aos demais amigos, que de alguma forma

fizeram parte desta caminhada.

E finalmente, a todos os que passaram pela minha vida até aqui, na certeza de

que fazem parte de quem Sou, pois como diria Antoine De Saint-Exupery “Cada um que

passa em nossa vida passa sozinho, mas não vai só, nem nos deixa só. Leva um pouco

de nós mesmos, deixa um pouco de si mesmo. Há os que levam muito; mas não há os

que não levam nada. Há os que deixam muito; mas não há os que não deixam nada”.

Muito Obrigado!

V

RESUMO

O envelhecimento populacional provoca alterações na morbimortalidade da

população, aumentando a importância de agravos crônicos de saúde, fenômeno

conhecido como transição epidemiológica. Os métodos de análise espacial podem ser de

grande ajuda na descrição dos diferenciais socioeconômicos e da mortalidade intra-

urbanos. Neste sentido, a análise da distribuição no espaço urbano dos fatores

socioeconômicos e demográficos associados à mortalidade por doenças crônicas em

idosos nos bairros do Rio de Janeiro pode ajudar na melhor distribuição e

gerenciamento dos recursos de saúde, além de ajudar no desenvolvimento de políticas

de saúde pública que visem a atual população adulta, na perspectiva de possibilitar um

envelhecimento saudável da mesma. O objetivo geral deste estudo foi analisar a relação

entre a mortalidade por doenças crônicas de indivíduos com 60 ou mais anos de idade e

os indicadores sociais, econômicos e demográficos no município do Rio de Janeiro.

Realizamos para tanto análise exploratória e espacial de diversos indicadores

socioeconômicos e demográficos e das taxas de mortalidade de idosos por Neoplasias,

Infarto Agudo do Miocárdio, Doenças Hipertensivas, Doenças Cerebrovasculares,

Pneumonias e Doenças Crônicas das Vias Aéreas Inferiores padronizadas por sexo e

faixa etária (SMR), e ajustamos modelos de regressão para cada uma das taxas

utilizando MLG e Modelo do Erro Espacial – CAR. De maneira geral, bairros mais ricos

e desenvolvidos socioeconomicamente se encontravam em um estágio mais avançado

de envelhecimento populacional, e apresentaram menores taxas de mortalidade por

doenças circulatórias e respiratórias e maiores taxas de mortalidade por neoplasias.

Neste sentido, apesar destas três causas se destacarem como os grupos mais prevalentes

em idosos e que mais aumentam com o processo do envelhecimento, outros fatores

relacionados com as características socioeconômicas e demográficas da população

podem estar associados com a ocorrência de tais doenças de maneira mais forte do que

o processo de envelhecimento em si. Sabendo da importância de políticas e ações de

saúde pública que atendam as necessidades específicas de cada população, atentar para

as diferenças entre os bairros do Rio de Janeiro quanto à ocorrência das doenças e ao

cenário social, econômico e demográfico destacados no presente estudo, bem como a

evolução deste panorama nos próximos anos, pode ser de fundamental importância para

o desenvolvimento de ações equitativas de saúde.

Palavras-chave: Análise Espacial, Transição Demográfica, Transição Epidemiológica,

Doenças Crônicas Não Transmissíveis

VI

ABSTRACT

Population aging causes changes in morbidity and mortality, increasing the importance

of health and chronic diseases, a phenomenon known as epidemiological transition. The

spatial analysis methods can be of great help in describing the socioeconomic

differentials in mortality and intra-urban. In this sense, the analysis of the spatial

distribution of urban socioeconomic and demographic factors associated with mortality

from chronic diseases in older neighborhoods of Rio de Janeiro can help in better

management and distribution of health resources, and help in the development of health

public policies addressing the current adult population, with a view to allow the same

healthy aging. The aim of this study was to analyze the relationship between mortality

from chronic diseases in individuals with 60 or more years old and social, economic and

demographic indicators in the city of Rio de Janeiro. We conducted exploratory analysis

for spatial and several socioeconomic and demographic indicators and mortality rates

for elderly Neoplasms, Acute Myocardial Infarction, Hypertensive Diseases,

Cerebrovascular Diseases, Chronic Disease Pneumonia and Lower Airway standardized

by sex and age group (SMR ) and adjusted regression models for each of the rates using

GLM and Spatial Error Model - CAR. In general, wealthier neighborhoods

socioeconomically developed were in a more advanced stage of population aging, and

presented lower rates of mortality from cardiovascular and respiratory hospital

admissions and higher mortality rates from cancer. In this sense, despite these three

causes stand out as the most prevalent groups in the elderly and the that increases more

with the aging process, other factors related to socioeconomic and demographic

characteristics of the population may be associated with the occurrence of such diseases

more strongly than the aging process itself. Knowing the importance of policies and

public health interventions that meet the specific needs of each population, paying

attention to the differences between the neighborhoods of Rio de Janeiro as the

occurrence of disease and the social scene, economic and demographic highlighted in

this study as well as this evolving scenario in the coming years, may be of fundamental

importance for the development of equitable health actions.

Keywords: Spatial Analysis, Demographic Transition, Epidemiological Transition, Non

Transmissible Chronic Disease

VII

SUMÁRIO

1. INTRODUÇÃO ................................................................................................. 1

2. JUSTIFICATIVA .............................................................................................. 4

3. OBJETIVOS ...................................................................................................... 5

3.1. Objetivo Geral ............................................................................................. 5

3.2. Objetivos Específicos .................................................................................. 5

4. MATERIAIS E MÉTODOS ............................................................................. 6

4.1. Desenho de Estudo ...................................................................................... 6

4.2. Variáveis de Estudo ..................................................................................... 6

4.2.1. Variáveis Dependentes ......................................................................... 6

4.2.2. Variáveis Independentes ...................................................................... 6

4.3. Métodos de Análise ..................................................................................... 7

4.3.1. Análise Exploratória ............................................................................ 7

4.3.2. Análise Espacial ................................................................................... 8

4.3.3. Modelagem Estatística ......................................................................... 9

5. RESULTADOS .................................................................................................. 12

5.1. Envelhecimento Populacional no município do Rio de Janeiro .......... 12

5.2. Análise Exploratória e Seleção das Variáveis Independentes .............. 18

5.2.1. Esgotamento Sanitário e Abastecimento de Água ......................... 18

5.2.2. Coleta de Lixo ................................................................................. 23

5.2.3. Tipo de Habitação ........................................................................... 26

5.2.4. Índice de Envelhecimento Populacional e Razão de Dependência

de Idosos .................................................................................................... 28

5.2.5. Taxa de Analfabetismo de Idosos ................................................... 32

5.2.6. Razão de Sexo de Idosos ................................................................. 34

5.2.7. Renda de Idosos, Renda de até dois Salários Mínimos e Renda

maior que quinze Salários Mínimos .......................................................... 36

5.2.8. Caracterização demográfica e da condição socioeconômica dos

bairros Rio de Janeiro ................................................................................ 39

5.3. Mortalidade por Doenças Crônicas: Análise Exploratória e Modelos 42

5.3.1. Neoplasias ....................................................................................... 43

5.3.1.1. Modelagem da SMR Neoplasias .................................................. 46

5.3.2. Doenças Hipertensivas .................................................................... 49

5.3.2.1. Modelagem da SMR DH .............................................................. 53

VIII

5.3.3. Infarto Agudo do Miocárdio ........................................................... 57

5.3.3.1. Modelagem da SMR IAM ............................................................ 60

5.3.4. Doenças Cerebrovasculares ............................................................. 64

5.3.4.1. Modelagem da SMR DC .............................................................. 66

5.3.5. Pneumonia ....................................................................................... 70

5.3.5.1. Modelagem da SMR PN .............................................................. 72

5.3.6. Doenças Crônicas das Vias Aéreas Superiores .............................. 78

5.3.6.1. Modelagem da SMR DCVAI ....................................................... 80

6. DISCUSSÕES .................................................................................................... 85

7. CONCLUSÕES ................................................................................................. 91

8. REFERÊNCIAS ................................................................................................ 92

IX

ÍNDICE DE ILUSTRAÇÕES

Figura 1 – Município do Rio de Janeiro dividido por Bairro, Área de Planejamento e

Região Administrativa ................................................................................................... 11

Figura 2 – Porcentagem de Homens e Mulheres idosos por faixa etária no município

do Rio de Janeiro em 2010 ............................................................................................ 12

Figura 3 – Proporção geral de Idosos e por faixa etária na população nos bairros do

município do Rio de Janeiro em 2010 ........................................................................... 13

Figura 4 – Comportamento da Proporção de Idosos a nível local .............................. 15

Figura 5 – Boxplot e histograma da variável Esgotamento Sanitário ........................... 18

Figura 6 – Distribuição da Porcentagem de Domicílios cujo esgotamento sanitário é

feito por rede geral ou pluvial por bairro no Rio de Janeiro ......................................... 20

Figura 7 – Moran Local da Porcentagem de Domicílios cujo esgotamento sanitário é

feito por rede geral ou pluvial por bairro no Rio de Janeiro ......................................... 21

Figura 8 – Boxplot e histograma da variável Abastecimento de Água ........................ 22

Figura 9 – Distribuição da Porcentagem de Domicílios Atendidos pela Rede Geral de

Distribuição de Água por bairro no Rio de Janeiro .................................................. 23

Figura 10 – Moran Local da Porcentagem de Domicílios Atendidos pela Rede Geral

de Distribuição de Água por bairro no Rio de Janeiro .................................................. 24

Figura 11 – Boxplot e Histograma da Coleta de Lixo .................................................. 25

Figura 12 – Distribuição da Porcentagem de Domicílios Atendidos com Coleta de

Lixo por bairro no Rio de Janeiro .................................................................................. 25

Figura 13 – Moran Local da Porcentagem de Domicílios Atendidos com Coleta de

Lixo por bairro no Rio de Janeiro .................................................................................. 27

Figura 14 – Distribuição da Porcentagem de Domicílios classificados como casa de

cômodos, cortiço e cabeça de porco por bairro no Rio de Janeiro ................................ 27

Figura 15 – Moran Local da Porcentagem de Domicílios classificados como casa de

cômodos, cortiço e cabeça de porco por bairro no Rio de Janeiro ................................ 28

Figura 16 – Distribuição do Índice de Envelhecimento Populacional por bairro no

Rio de Janeiro ................................................................................................................

29

Figura 17 – Distribuição da Razão de Dependência de Idosos por bairro no Rio de

Janeiro ............................................................................................................................ 30

Figura 18 – Moran Local do Índice de envelhecimento Populacional por bairro no

Rio de Janeiro ................................................................................................................ 31

X

Figura 19 – Moran Local da Razão de Dependência de Idosos por bairro no Rio de

Janeiro ............................................................................................................................ 31

Figura 20 – Dispersão do Índice de Envelhecimento Populacional vs Razão de

Dependência de Idosos .................................................................................................. 33

Figura 21 – Distribuição da Taxa de Analfabetismo entre Idosos por bairro no Rio de

Janeiro ....................................................................................................................... 33

Figura 22 – Moran Local da Taxa de Analfabetismo entre Idosos por bairro no Rio

de Janeiro ....................................................................................................................... 34

Figura 23 – Distribuição da Razão de Sexo entre Idosos por bairro no Rio de Janeiro 36

Figura 24 – Moran Local da Razão de Sexo entre Idosos por bairro no Rio de Janeiro 38

Figura 25 – Distribuição Espacial dos indicadores de rendimento .............................. 39

Figura 26 – Gráficos de dispersão com as variáveis sobre rendimento ....................... 44

Figura 27 – Mapas da distribuição da SMR Neoplasias e da Taxa de Mortalidade por

Neoplasias estimada pelo método Bayesiano Empírico por bairros no Rio de Janeiro 45

Figura 28 – Moran Local da SMR Neoplasias por bairros no Rio de Janeiro ............. 45

Figura 29 – Histograma, Boxplot e Normal Q-Q Plot da SMR Neoplasias ................. 46

Figura 30 – Histograma e Normal Q-Q Plot dos resíduos do modelo escolhido ......... 47

Figura 31 – Dispersão dos resíduos versus valor ajustado e distância de Cook de

cada bairro ...................................................................................................................... 48

Figura 32 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR

Neoplasias e do p-valor do LISA dos valores absolutos dos resíduos do modelo ........ 49

Figura 33 – Mapas da Distribuição da SMR DH e da Taxa de mortalidade por

Doenças Hipertensivas estimada pelo método Bayesiano Empírico nos bairros do Rio

de Janeiro ........................................................................................................................ 51

Figura 34 – Moran Local da SMR DH por bairros no Rio de Janeiro ....................... 52

Figura 35 – Histograma, Boxplot e Normal Q-Q Plot da SMR DH ............................ 53

Figura 36 – Histograma e Normal Q-Q Plot dos resíduos do MLG selecionado para

SMR DH ......................................................................................................................... 54

Figura 37 – Dispersão dos Resíduos versus Valores Ajustados e Distância de Cook

por bairro ........................................................................................................................ 55

Figura 38 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR DH

e do p-valor do LISA dos valores absolutos dos resíduos do modelo ........................ 56

Figura 39 – Histograma e Boxplot da distribuição da SMR IAM – Influência da

observação discrepante ................................................................................................... 58

Figura 40 – Histograma, Boxplot e Normal Q-Q Plot da SMR IAM com observação 59

XI

discrepante substituída pela média .................................................................................

Figura 41 – Mapas da Distribuição da SMR IAM e da Taxa de mortalidade por

Infarto Agudo do Miocárdio estimada pelo método Bayesiano Empírico nos bairros

do Rio de Janeiro ........................................................................................................... 60

Figura 42 – Moran Local da SMR IAM nos bairros do Rio de Janeiro ..................... 61

Figura 43 – Histograma e Normal Q-Q Plot dos resíduos do modelo final de SMR

IAM ............................................................................................................................... 62

Figura 44 – Dispersão dos resíduos versus Valores ajustados pelo modelo e

Distância de Cook em cada observação ......................................................................... 62

Figura 45 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR

IAM e do p-valor do LISA dos valores absolutos dos resíduos do modelo .................. 63

Figura 46 – Histograma, Boxplot e Normal Q-Q Plot da SMR DC com observação

discrepante substituído pela média ................................................................................ 64

Figura 47 – Mapas da Distribuição da SMR DC e da Taxa de mortalidade por

Doenças Cerebrovasculares estimada pelo método Bayesiano Empírico nos bairros

do Rio de Janeiro ...........................................................................................................

65

Figura 48 – Moran Local da SMR DC nos bairros do Rio de Janeiro ....................... 66

Figura 49 – Dispersão dos resíduos versus Valores ajustados pelo modelo e

Distância de Cook em cada observação ........................................................................ 67

Figura 50 – Dispersão dos resíduos versus Valores ajustados pelo modelo e

Distância de Cook em cada observação ......................................................................... 67

Figura 51 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR DC

e do p-valor do LISA dos valores absolutos dos resíduos do modelo ........................ 68

Figura 52 – Histograma, Boxplot e Normal Q-Q Plot da SMR PN ............................ 70

Figura 53 – Mapas da Distribuição da SMR PN e da Taxa de mortalidade por

Pneumonia estimada pelo método Bayesiano Empírico nos bairros do Rio de Janeiro 71

Figura 54 – Moran Local da SMR DC nos bairros do Rio de Janeiro ....................... 72

Figura 55 – Histograma e Normal Q-Q Plot dos Resíduos do modelo selecionado da

SMR PN ......................................................................................................................... 73

Figura 56 – Dispersão dos resíduos versus valores ajustados pelo modelo e Distância

de Cook de cada observação ......................................................................... 74

Figura 57 – Histograma e Normal Q-Q Plot dos Resíduos do modelo selecionado da

SMR PN, sem Grumari .................................................................................................. 75

Figura 58 – Dispersão dos resíduos versus valores ajustados pelo modelo e Distância

de Cook de cada observação, sem Grumari .................................................. 75

XII

Figura 59 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR DC

e do p-valor do LISA dos valores absolutos dos resíduos do modelo ........................ 76

Figura 60 – Histograma, Boxplot e Normal Q-Q Plot da SMR PN ............................. 78

Figura 61 – Mapas da Distribuição da SMR DCVAI e da Taxa de mortalidade por

DCVAI Inferiores estimada pelo método Bayesiano Empírico nos bairros do Rio de

Janeiro ........................................................................................................................... 79

Figura 62 – Moran Local da SMR PN nos bairros do Rio de Janeiro ....................... 80

Figura 63 – Histograma e Normal Q-Q Plot da SMR PN ........................................... 81

Figura 64 – Dispersão Resíduos versus Valores Ajustados e Distância de Cook por

observação .....................................................................................................................

82

Figura 65 – Mapeamento dos valores absolutos dos resíduos do modelo da SMR DC

e do p-valor do LISA dos valores absolutos dos resíduos do modelo ........................ 83

XIII

ÍNDICE DE TABELAS

Tabela 1 – Medidas de posição e dispersão da distribuição da variável Esgotamento

Sanitário no município do Rio de Janeiro em 2010 ...................................................... 18

Tabela 2 – Medidas de posição e dispersão da distribuição da variável

Abastecimento de Água no município do Rio de Janeiro em 2010 ..............................

19

Tabela 3 – Medidas de posição e dispersão da distribuição da variável Coleta de Lixo

no município do Rio de Janeiro em 2010 .......................................................................

24

Tabela 4 – Coeficiente de Correlação de Pearson entre as variáveis Renda dos

Idosos, Renda Maior que 15 Salários Mínimos e Renda Menor que 2 Salários

Mínimos .........................................................................................................................

40

Tabela 5 – MLG da SMR Neoplasias – Modelo Final ................................................. 47

Tabela 6 – CAR da SMR Neoplasia – Modelo Final .................................................... 50

Tabela 7 – MLG da SMR DH – Modelo Final ............................................................. 54

Tabela 8 – CAR da SMR DH – Modelo Final .............................................................. 57

Tabela 9 – GLM da SMR IAM – Modelo Final ........................................................... 61

Tabela 10 – CAR da SMR IAM – Modelo Final ........................................................... 63

Tabela 11 – MLG da SMR DC – Modelo Final ........................................................... 66

Tabela 12 – CAR da SMR DC – Modelo Final ............................................................ 69

Tabela 13 – GLM da SMR PN – Modelo Final ........................................................... 72

Tabela 14 – GLM da SMR PN excluindo Grumari – Modelo Final .......................... 73

Tabela 15 – CAR da SMR PN excluindo Grumari – Modelo Final ............................ 76

Tabela 16 – GLM da SMR DCVAI – Modelo Final ................................................... 81

Tabela 17 – GLM da SMR DCVAI – Modelo Final ................................................... 83

1

1. INTRODUÇÃO

Nas últimas décadas diversas regiões do mundo vêm passando por um processo

de transição demográfica no qual populações tipicamente jovens e adultas tornaram-se

gradualmente envelhecidas1,2

, devido à influência de fatores como quedas na

fecundidade e na mortalidade infantil e aumento da longevidade e da expectativa de

vida3-5

.

Esta transição foi registrada e estudada inicialmente nos países da Europa

Ocidental1,2,6

, sendo preocupação exclusiva destes povos. A partir dos anos 70 vários

países subdesenvolvidos e em via de desenvolvimento iniciaram este processo de

transição demográfica. A Organização Mundial de Saúde previu um crescimento da

população idosa de 590 milhões para 1,2 bilhões entre 2000 e 2025, e estima que até lá

70% da população idosa se concentrará nos países em desenvolvimento7.

Nas últimas décadas a estrutura etária da população brasileira também

caminhou em direção ao envelhecimento, sendo este processo no país oriundo

inicialmente de ações médico-sanitárias do estado, como as campanhas de vacinação,

melhorias sanitárias e o desenvolvimento da atenção médica na rede pública8. Contudo,

enquanto nos países desenvolvidos da Europa Ocidental a transição demográfica

ocorreu gradativamente, de forma sustentável, no Brasil ela ocorreu rapidamente, de

maneira que as alterações sociais, econômicas e culturais, bem como o avanço médico-

sanitário, não foram suficientes para gerar melhoria da qualidade de vida ou atender a

população idosa em suas necessidades básicas9,10

.

Isto porque a transição demográfica provoca alterações na morbimortalidade da

população, aumentando a importância de agravos crônicos de saúde em detrimento das

doenças infecciosas e parasitárias, fenômeno conhecido como transição

epidemiológica11,12

.

Ou seja, se por um lado as alterações sociais, econômicas e culturais, bem

como os avanços médico-sanitários, determinaram a queda da mortalidade em geral e o

aumento da expectativa de vida da população, por outro lado uma proporção cada vez

maior desta população alcança idades mais avançadas com doenças que possuem longo

período de latência e duração, podendo ser incuráveis e deixar sequelas que impõem

limitações às funções do indivíduo13,14

e acarretam anos de utilização recorrente dos

serviços de saúde, de forma que atender às demandas desta população idosa em

crescimento torna-se um dos grandes desafios da saúde pública na atualidade15

.

Em termos biológicos o envelhecimento pode ser caracterizado como uma

diminuição na capacidade do organismo de sobreviver, devido à sua degeneração pelo

2

tempo e, assim sendo, o próprio “envelhecer” favorece a ocorrência de doenças

crônicas. Contudo, os organismos se comportam de forma diferente frente à ação dos

anos5 e a própria condição socioeconômica da população possui um papel significativo

na determinação de saúde da mesma16

, de maneira que características sociais,

econômicas, demográficas e culturais também refletem a forma como as doenças

crônicas se distribuem no país.

Estudo realizado por Closs & Shwanke17

mostrou que a variação do Índice de

Envelhecimento Populacional entre 1970 e 2010 foi bem distinta nas regiões do país,

sendo mais elevada e apresentando um aumento mais acelerado nas regiões Sul e

Sudeste, mais desenvolvidas socioeconomicamente. Os menores valores, e o menor

crescimento em todo o período foram observados na região Norte.

Dados do CENSO 2010 mostraram que os estados com maior percentual de

idosos no Brasil foram Rio Grande do Sul e o Rio de Janeiro, com 13,6% e 13% de

idosos, respectivamente. Entre os 10 estados com maior percentual de idosos neste ano,

cinco pertencem às regiões Sul e Sudeste. Em contrapartida, Amapá, Roraima,

Amazonas e Acre, todas pertencentes à região norte, apresentaram os menores

percentuais de idosos em sua população, com menos de 7%.

Estas diferenças demográficas respaldam as diferenças observadas na

morbimortalidade da população. Estudos anteriores encontraram elevadas taxas de

mortalidade por causas crônicas nas Unidades da Federação que apresentavam melhores

indicadores socioeconômicos e se encontravam em um estágio mais avançado de

envelhecimento populacional8,18

.

Destaca-se também que o Brasil, como país em via de desenvolvimento, tende

a apresentar um processo de transição demográfica polarizado, marcado tanto pelas

diferenças regionais quanto por sobreposição das causas de morbimortalidade. As

elevadas taxas de mortalidade por doenças infecciosas acompanha o aumento das

doenças crônicas19,20

, o que torna emergencial discutir a sustentabilidade do Sistema

Único de Saúde frente a este processo.

Estudos que analisam a evolução e as diferenças do processo de

envelhecimento populacional e suas consequências na saúde da população nas cidades

são escassos, principalmente aqueles abordando as doenças crônicas. Segundo

levantamento realizado por Carvalho & Souza-Santos21

em 2005 apenas 13,8% dos

estudos que utilizaram algum método de análise espacial abordavam doenças crônicas e

não degenerativas, não havendo nenhum artigo brasileiro abordando estas temáticas.

3

Os métodos de análise espacial podem ser de grande ajuda na descrição dos

diferenciais socioeconômicos e da mortalidade intra-urbanos, sendo uma de suas

aplicações na saúde coletiva a detecção de aglomerados espaciais, focando os fatores

associados à incidência de doenças na população21

.

O nível de agregação dos dados utilizados em estudos espaciais costuma

englobar Municípios, Unidades da Federação e Regiões, o que não permite descrever a

realidade dos diferentes cenários socioeconômicos e de saúde das cidades. Por um lado

estes estudos permitem obter um panorama geral do que está sendo observado; por

outro, informações específicas são perdidas ao se agregar em uma mesma unidade de

observação populações com características totalmente diferentes, como áreas faveladas

e áreas extremamente ricas8.

Apesar desta escassez de estudos, sabemos que os mesmos são de fundamental

importância para o planejamento em saúde pública. Segundo Paes-Sousa22

“se as

cidades não são aglomerados humanos homogêneos no tocante à dimensão

socioeconômica e tampouco aos perfis demográfico-epidemiológicos, não é adequado

que se disponibilizem modalidades de serviços de saúde tendo-se como referência

apenas o tamanho da população. Populações distintas, quanto às suas necessidades de

saúde, demandam serviços de saúde distintos”.

Em relação à população idosa especificamente é de se esperar uma maior

ocorrência de doenças crônicas independente da realidade social ou econômica onde a

mesma se insere. Contudo, compreender os diferenciais no processo de mortalidade

desta população dentro da realidade urbana pode ajudar no planejamento de ações que

visem principalmente às gerações futuras de idosos, ou seja, os jovens e adultos de hoje.

Além disto, podem servir de suporte para uma melhor distribuição dos recursos

para atender também as necessidades da população idosa, como afirmaram Mendes et

al.23

ao analisarem os dados do rápido envelhecimento no país: “Esses dados e

projeções apontam de um lado grandes desafios e de outro, grandes oportunidades para

o planejamento e gestão de políticas públicas, em particular as políticas sociais. Frente

às mudanças, há a necessidade de estruturação de serviços e de programas de saúde que

possam responder às demandas emergentes do novo perfil epidemiológico do país. Os

idosos utilizam os serviços hospitalares de maneira mais intensiva que os demais grupos

etários, envolvendo maiores custos, implicando tratamento de duração mais prolongada

e de recuperação mais lenta e complicada”.

4

2. JUSTIFICATIVA

Compreender as alterações na saúde da população decorrentes do

envelhecimento populacional é de fundamental importância para a sustentabilidade da

saúde pública nos próximos anos.

A análise dos fatores socioeconômicos e demográficos associados à

mortalidade por doenças crônicas em idosos, bem como sua distribuição no espaço

urbano de um município como o Rio de Janeiro, que apresenta grandes desigualdades

socioeconômicas nos bairros que o compõem, podem ajudar no planejamento do

atendimento à saúde da população idosa, através de uma melhor distribuição e

gerenciamento dos recursos. O desenvolvimento de políticas de saúde pública que

visem a atual população adulta, na perspectiva de possibilitar um envelhecimento mais

saudável da mesma, dev atuar diretamente nos fatores associados à mortalidade por tais

doenças, e proporcionar maior sustentabilidade ao Sistema Único de Saúde frente ao

processo de envelhecimento populacional e suas consequências.

5

3. OBJETIVOS

Objetivo geral:

Analisar a relação entre a mortalidade por doenças crônicas de indivíduos com 60 ou

mais anos de idade e os indicadores sociais, econômicos e demográficos no município

do Rio de Janeiro.

Objetivos Específicos

Descrever espacialmente o estágio do envelhecimento populacional nos bairros do

município do Rio de Janeiro;

Descrever a distribuição espacial dos indicadores sociais, econômicos e demográficos

no município do Rio de Janeiro em 2010;

Descrever a distribuição espacial da mortalidade de indivíduos com 60 ou mais anos de

idade no município do Rio de Janeiro em 2010;

Analisar a relação entre cada uma das causas de mortalidade estudadas com os

indicadores sociais, econômicos e demográficos através de Modelos Lineares

Generalizados e do Modelo CAR - Conditional AutoRegressive.

6

4. MATERIAIS E MÉTODOS

4.1. Desenho de estudo

Trata-se de um estudo ecológico, tendo como unidades de observação os bairros

que compõem o município do Rio de Janeiro, utilizando os dados de mortalidade

disponibilizados no Sistema de Informação sobre a Mortalidade referente ao ano de

2010 e indicadores sociais, demográficos e econômicos construídos a partir do CENSO

2010.

4.2. Variáveis de estudo

4.2.1. Variáveis Dependentes

As variáveis dependentes do estudo foram as taxas de mortalidade padronizadas

(Standard Mortality Ratio – SMR) por sexo e idade entre idosos por Neoplasias

(Códigos C000-D489 da 10ª edição do Código Internacional de Doenças – CID-10),

Doenças Hipertensivas (Códigos I100-I159 do CID-10), Infarto Agudo do Miocárdio

(Códigos I210-I219 do CID-10), Doenças Cerebrovasculares (Códigos I600-I699 do

CID-10), Pneumonia (Códigos J120-J189 da CID-10) e Doenças Crônicas das Vias

Aéreas Inferiores (Códigos J400-J479 da CID-10). As informações referentes aos

óbitos no município foram extraídas do arquivo de declarações de óbitos no ano de

2010, disponibilizadas pelo DataSUS, e os dados populacionais utilizados no cálculo da

taxa padronizada foram retirados dos dados do CENSO 2010, disponibilizados pelo

IBGE.

Para a padronização das taxas os dados de mortalidade por cada uma das causas

estudadas foram agregados por bairro, sendo separados por sexo, e três faixas etárias

distintas: 60 a 69 anos, 70 a 79 anos e 80 ou mais anos de idade. Os óbitos esperados

foram calculados para ambos os sexos em todas as faixas etárias e a taxa padronizada

foi obtida utilizando-se como população de referência a população idosa do Brasil em

2010. Tal padronização permite a comparabilidade entre os bairros, compensando as

diferenças existentes na estrutura etária e da razão de sexo nos mesmos.

4.2.2. Variáveis Independentes

Como variáveis independentes utilizamos os seguintes indicadores sociais,

econômicos e demográficos extraídos e construídos a partir dos dados do CENSO 2010:

Tipo de Habitação: Porcentagem de domicílios cujo tipo de habitação foi

classificado como casa de cômodos, cortiço ou cabeça de porco;

7

Esgotamento Sanitário: Porcentagem de domicílios cujo esgotamento sanitário

é a rede geral de abastecimento ou rede pluvial;

Abastecimento de Água: Porcentagem de Domicílios cujo tipo de

abastecimento de água é a rede geral de distribuição de água;

Coleta de Lixo: Porcentagem de domicílios atendidos por coleta de lixo;

Taxa de Analfabetismo de Idosos: Porcentagem de pessoas analfabetas com 60

ou mais anos de idade;

Razão de Dependência de Idosos: Número de indivíduos com 60 ou mais anos

de idade para cada 100 indivíduos com idade entre 15 e 60 anos de idade;

Índice de Envelhecimento Populacional: Número de indivíduos com 60 ou

mais anos de idade para cada 100 indivíduos com até 15 anos idade;

Razão de sexo de idosos: Número de homens com 60 ou mais anos de idade

para cada 100 mulheres nesta mesma faixa etária;

Renda de Idosos: Renda nominal média dos indivíduos com 60 ou mais anos de

idade, em salários mínimos*;

Renda de até dois salários mínimos: Porcentagem de domicílios cujo

rendimento domiciliar médio foi menor que dois salários mínimos*;

Renda maior que quinze salários mínimos: Porcentagem de domicílios cujo

rendimento domiciliar médio foi maior que quinze salários mínimos*;

Os indicadores foram selecionados com base em estudos anteriores24,25,26

e a

exclusão de algumas destas do processo de modelagem foi realizada com base na

análise exploratória das mesmos, descrita de maneira mais detalhada adiante.

4.3. Métodos de Análise

4.3.1. Análise Exploratória

Inicialmente foi realizada uma análise exploratória das variáveis estudas através

de suas medidas de posição e dispersão. A distribuição das variáveis foi analisada

através de histogramas e boxplots.

A seleção das variáveis independentes utilizadas durante o processo de

modelagem se deu baseada na análise de colinearidade das mesmas através do VIF

(Variance Inflation Factors), que permite identificar se a inflação de variância no

modelo é devida a multicolinearidade dos dados27

, bem como no seu poder

*Considerou-se para o cálculo o valor do salário mínimo de R$ 510,00

8

discriminatório descrito através da análise da distribuição, da correlação entre elas e da

distribuição espacial.

4.3.2. Análise Espacial

Utilizou-se a base cartográfica do município do Rio de Janeiro disponível no

Armazém dos Dados, do Instituto Pereira Passos (IPP), através do Portal Geo. O

BASEGEO WEB*, Sistema de Informações Geográficas de acesso livre, foi utilizado

para gerar um mapa com as informações dos limites dos bairros do município. Os

bairros Paquetá e Cidade Universitária foram excluídos da análise por se tratarem de

ilhas não ligadas a qualquer outro bairro, totalizando 158 unidades de observação. O

mapa da Figura 1 mostra o município do Rio de Janeiro dividido por bairros, área de

planejamento e região administrativa.

A matriz de vizinhança criada utilizou como critério a contiguidade da fronteira

entre os bairros, ou seja, considerando os 158 bairros de analisados {A1, A2,...,A158}, foi

construída uma matriz W(158x158)onde os elementos Wij representam a proximidade entre

Ai e Aj segundo o critério: Wij=1 se Ai e Aj fazem fronteira, e Wij=0, caso contrário.

A análise exploratória espacial das variáveis foi realizada através de mapas

coropléticos, que permitem observar sua distribuição no espaço e para a identificação de

clusters locais e observações discrepantes utilizou-se Índice Local de Moran (LISA),

mapeando o p-valor do teste.

Este índice (LISA) é um indicador local de associação espacial que gera um

valor específico para cada área possibilitando a identificação de aglomerados

discrepantes, sendo o mapeamento do valor da significância estatística do uso deste

índice uma ferramenta para observar as áreas onde a correlação local foi

significativamente diferente, que podem ser vistos como cluster com dinâmica espacial

própria28

.

A autocorrelação espacial global foi analisada através do Índice I de Moran. Este

índice mede a correlação espacial existente no conjunto de dados considerando o

primeiro vizinho, podendo assumir valores entre -1 e 1, de maneira que quanto mais

distante de 0 (zero) estiver o valor do índice, mais forte será a correlação espacial,

enquanto o sinal representa a direção desta correlação27,28

.

Foram elaborados mapas coropléticos das taxas de mortalidade estimadas pelo

método bayesiano empírico local. Este método permite estimar taxas de mortalidade a

partir das informações de vizinhança, convergindo para uma média local, diminuindo o

9

efeito de flutuações aleatórias casuais que podem gerar variações importantes na taxa

bruta ou na taxa padronizada de mortalidade. Os mapas utilizando estas estimativas

permitem uma melhor observação do risco de mortalidade, compensando o ruído

espacial21,30

.

4.3.3. Modelagem Estatística

A relação entre a mortalidade pelas causas estudadas e os indicadores

socioeconômicos foi analisada através de Modelos Lineares Generalizados (MLG)

considerando a distribuição das SMR como Normal, e modelo do erro espacial, ou

Conditional AutoRegressive – CAR.

Os MLG são uma extensão do modelo linear clássico, aplicável quando a

distribuição da variável resposta pertence à família exponencial, sendo a distribuição

Normal uma destas. Neste caso, este modelo tem como pressupostos a normalidade da

variável resposta, independência das observações, homocedasticidade bem como

normalidade e independência dos resíduos31

.

Quando abordamos dados onde a autocorrelação espacial está presente, esta

dependência entre as observações pode alterar o poder explicativo do modelo,

superestimando a significância dos parâmetros e levando a presença de associações

espúrias31

. Em nosso estudo, a existência de autocorrelação espacial está associada à

existência de valores similares das variáveis analisadas em bairros vizinhos. Neste

sentido, é possível supor que, na modelagem, a resposta em cada bairro esteja

condicionada a resposta em seus vizinhos, sendo assim uma “autorregressão de primeira

ordem da média das respostas dos vizinhos”33

.

O modelo do erro espacial, ou Conditional AutoRegressive – CAR, aborda estes

efeitos da correlação espacial de maneira global, ou seja, busca capturar esta estrutura

em um único termo, associando estas informações ao termo de erro do modelo tendo

como objetivo a remoção da dependência espacial32

.

No presente estudo antes de supor a normalidade das SMR, analisamos os

histogramas e o QQ plot de cada uma destas. Segundo Câmara et al.28

a modelagem de

taxas, considerando-se a distribuição normal, pode ser útil dada suas propriedades. A

independência entre as observações foi analisada através da exploração de padrões

espaciais globais e locais, conforme citado anteriormente.

O processo de modelagem se deu em três etapas:

* Disponível em: http://portalgeo.rio.rj.gov.br/ipp_viewer/?config=config/ipp/basegeoweb.xml

10

Primeiro foram ajustados modelos univariados com cada uma das SMR e

cada uma das variáveis independentes para selecionar quais destas seriam

utilizadas na modelagem multivariada, adotando nível de significância de

20%;

Em seguida foram ajustados modelos multivariados com todas as

variáveis selecionadas na primeira etapa. As variáveis não significativas,

considerando significância de 5%, foram retiradas do modelo uma a uma,

sendo sua retirada testada através da Análise de Variância (ANOVA). O

modelo final foi selecionado segundo os seguintes critérios: todas as

variáveis significativas e comparação do ajuste quando comparado com o

modelo nulo também significativo ao nível de 5%;

Por fim, a partir do modelo final definido na etapa anterior, foram

ajustados modelos CAR e comparadas a significância das variáveis e as

estimativas dos seus coeficientes.

Analisamos a adequação dos modelos ajustados através da análise gráfica dos

resíduos tanto dos modelos ajustados pelo MLG quanto dos modelos ajustados pelo

CAR. Partindo-se do pressuposto de normalidade destes construímos mapas

coropléticos dos valores absolutos dos resíduos por quartil e mapas dos mesmos

apresentados em dois estratos: até dois desvios padrão e acima de dois desvios padrão.

Utilizamos o Índice I de Moran e o Índice de Moran Local para analisar autocorrelação

espacial global e local dos valores absolutos dos resíduos.

11

Figura 1 – Município do Rio de Janeiro dividido por Bairro, Área de Planejamento e

Região Administrativa

12

5. RESULTADOS

5.1. Envelhecimento Populacional no município do Rio de Janeiro em 2010

Segundo dados do CENSO 2010, o IEP da população do município do Rio de

Janeiro foi de 76,7 idosos para cada 100 jovens em 2010. Neste ano os idosos

representaram 14,88% da população do município, sendo 7,68% entre 60 e 69 anos de

idade, 4,75% entre 70 e 79 anos de idade e 2,45% com mais de 80 anos de idade.

Observamos que com o aumento da idade a proporção de mulheres aumenta na

população idosa. Como mostra o gráfico da Figura 2, na faixa etária de 60 a 69 anos de

idade 47% eram do sexo masculino e 53% do sexo feminino, na faixa etária de 70 a 79

anos a proporção foi de 38% e 62%, respectivamente, e na faixa etária de 80 ou mais

anos de idade a proporção foi de 30,7% e 69,1%, respectivamente.

Figura 2 – Porcentagem de Homens e Mulheres idosos por faixa etária no município do

Rio de Janeiro em 2010

Os mapas da Figura 3 mostram a distribuição do percentual de idosos em relação

à população total, e a proporção de idosos com 60 a 69 anos de idade, 70 a 79 anos de

idade e 80 ou mais anos de idade nos bairros do Rio de Janeiro, por quartil. Neste

sentido, estes mapas nos permitem analisar o envelhecimento de maneira geral, bem

como a distribuição etária da população idosa nos bairros.

13

Fig

ura

3 –

Da

esquer

da

par

a a

dir

eita

, de

cim

a par

a bai

xo:

Pro

porç

ão d

e Id

oso

s na

popula

ção;

Pro

porç

ão d

e Id

oso

s na

faix

a et

ária

de

60 a

69 a

nos

de

idad

e; P

roporç

ão d

e Id

oso

s n

a fa

ixa

etár

ia d

e 70 a

79 a

nos

de

idad

e; P

roporç

ão d

e Id

oso

s co

m 8

0 o

u m

ais

anos

de

Idad

e nos

bai

rros

do m

unic

ípio

do R

io d

e Ja

nei

ro e

m 2

010

14

A proporção de idosos na população em geral variou de 1,84% no bairro Gericinó

a 29,67% em Copacabana. Observamos um padrão, com elevação da proporção no

sentido oeste-leste, estando a maioria dos bairros que fizeram parte do primeiro quartil,

representados pelas áreas mais claras do mapa, concentrados nas Regiões

Administrativas (RA) de Realengo, Santa Cruz, Guaratiba e Barra da Tijuca

destacando-se os bairros de Campo dos Afonsos com 1,9%, Grumari, com 5,39%,

Itanhangá com 6,07% e Vargem Pequena com 6,39%. Bairros em zona de favelização

também apresentaram baixa proporção de idosos, como Rocinha (5,62%) e Manguinhos

(6,03%).

Os valores mais elevados, representados pela cor vermelha no mapa, ficaram

concentrados nos bairros que compõem a Área de Planejamento 2, sobretudo os bairros

da região litorânea que compõem a zona Sul, com destaque para Flamengo (29,19%),

Ipanema (28,28%), Leblon (28,15%) e Leme (25,29%). Outros bairros como Méier e

Tijuca se destacam com proporção de idosos elevadas, como 25,58% e 24,13%,

respectivamente.

Em relação à população idosa nas faixas etárias de 70 a 79 anos de idade e 80 ou

mais anos de idade observou-se um padrão similar ao da proporção de idosos na

população em geral, com tendência de aumento no sentido oeste leste.

A diferença mais marcante na distribuição da proporção nestas faixas etárias é

que, enquanto na faixa de 80 ou mais anos de idade o padrão é praticamente igual ao da

proporção de idosos em geral no Rio de Janeiro, com os bairros da região litorânea

apresentando os maiores valores, na faixa de 70 a 79 anos de idade bairros que

compõem as Regiões Administrativas do Méier e Madureira se destacam com valores

elevados. Dos dezesseis bairros que compõem a RA do Méier, onze apresentaram

proporção de idosos de 70 a 79 anos de idade acima do terceiro quartil, assim como oito

dos treze bairros que compõem a RA de Madureira. Copacabana, Flamengo, Catete e

Glória também fizeram parte deste grupo.

Observamos um padrão diferente quando analisamos a proporção de idosos na

faixa etária de 60 a 69 anos de idade. Neste caso, o padrão é o inverso, ocorrendo

aumento na direção leste-oeste, com as maiores porcentagens concentradas nos bairros

que compõem as Áreas de Planejamento 5 e 4.

A análise destes mapas e destas proporções possibilita descrever um pouco o

processo de envelhecimento no município do Rio de Janeiro. Inicialmente observamos

uma maior concentração de idosos nos bairros litorâneos e popularmente conhecido

como zona Sul, estando estes bairros em um estágio mais avançado de envelhecimento

15

populacional. Contudo, observamos que alguns bairros fora desta região começam a se

destacar quanto à proporção de idosos, indicando avanços no processo de

envelhecimento populacional, como são os casos do Méier e da Tijuca. Neste sentido,

podemos observar a formação de agrupamentos locais com comportamento distinto

quanto ao processo de envelhecimento. Os mapas e o gráfico da Figura 4 nos permite

observar de maneira mais clara este comportamento a nível local da proporção de

idosos.

Figura 4 – Comportamento da Proporção de Idosos a nível local: Distribuição da

Proporção de Idosos nos bairros; P-valor do LISA da Proporção de Idosos; Gráfico de

Dispersão da Proporção de Idosos e o P-Valor do LISA da Proporção (As linhas azul e

amarela marcam o terceiro e primeiro quartil da proporção de idosos, respectivamente, e

a linha vermelha marca o p-valor de 0,05 do LISA)

O mapa da distribuição da proporção é o mesmo apresentado na Figura 3,

enquanto o mapa do p-valor obtido no LISA da proporção de idosos indica os bairros

que apresentaram diferenças significativas em relação aos seus vizinhos quanto a este

indicador. O gráfico de dispersão mostra a relação entre estas duas variáveis nos bairros,

16

sendo cada ponto um bairro estudado. As linhas azul e amarela marcam o terceiro e

primeiro quartil da proporção de idosos, respectivamente, e a linha vermelha marca o p-

valor de 0,05 do LISA.

No mapa do p-valor do LISA podemos identificar dois grandes agrupamentos

principais, com bairros vizinhos apresentando Índice Moran Local significante:

Um mais ao oeste e que se estende pela região mais central do mapa,

composto por Santa Cruz, Cosmos, Inhoaíba, Guaratiba, Vargem Grande,

Vargem Pequena, Recreio dos Bandeirantes, Camorin, Jacarepaguá e Gardênia

Azul, sendo bairros que se destacam com baixos valores da proporção de idosos,

representados pelos pontos posicionados abaixo da linha vermelha e à esquerda

da linha amarela no gráfico de dispersão;

Outro a leste, composto por Gávea, Leblon, Ipanema, Jardim Botânico,

Lagoa, Copacabana, Leme, Urca, Botafogo, Humaitá, Flamengo, Glória,

Laranjeiras e Catete, bairros que se destacam por valores elevados da proporção

de idosos, representados pelos pontos abaixo da linha vermelha e à direita da

linha azul no gráfico de dispersão;

Observa-se também alguns bairros que se destacam localmente, mas não formam

grandes grupamentos e que podem ser encarados como pontos discrepantes em relação

aos seus vizinhos, como Méier e Todos os Santos, bem como Vila Isabel, Andaraí e

Tijuca, onde a proporção de idosos foi elevada, e Manguinhos e Cajú, onde esta

proporção foi baixa.

Juntando estas informações com a proporção de idosos por faixa etária,

observamos que nos bairros onde a proporção de idosos na população em geral foi mais

elevada, a proporção de idosos de 60 a 69 anos de idade foi menor, apresentando

proporção mediana de idosos de 70 a 79 anos de idade e uma elevada proporção de

idosos com 80 ou mais anos de idade. Em contrapartida, nos bairros onde a proporção

de idosos na população foi menor, destacou-se a proporção de idosos de 60 a 69 anos de

idade, enquanto nos bairros com proporção de idosos na população mais medianas

apresentaram uma elevada proporção de idosos de 70 a 79 anos de idade.

Desta forma, podemos resumir os bairros do Rio de Janeiro em três

agrupamentos que se encontram em etapas distintas do envelhecimento populacional:

Um grupo em um estágio inicial de envelhecimento, onde os idosos ainda têm pouca

participação na composição da população em geral (até 12% da população), havendo

uma maior proporção de idosos na faixa etária de 60 a 69 anos de idade quando

comparado às demais faixas etárias dos idosos; um grupo em um estágio intermediário

17

de envelhecimento, onde a proporção de idosos na população foi de 12% a 19%, com

maior participação de idosos nas faixas etárias de 60 a 79 anos; e por fim um grupo em

um estágio avançado de envelhecimento populacional, com mais de 19% de sua

população sendo composta de idosos, e com uma maior participação da população idosa

em idade mais avançada, acima de 70 anos de idade, quando comparado com os demais

bairros. Além disto, como apresentado no início deste capítulo, com o aumento da

idade, aumenta-se a proporção de mulheres em relação aos homens.

Estas diferenças apontam para as desigualdades no processo de envelhecimento

no município do Rio de Janeiro, que ocorre de maneira distinta em seus bairros. Além

disto, apontam a necessidade de se padronizar as taxas de mortalidade analisadas pelas

diferentes faixas etárias que compõem a população idosa e por sexo, para garantir a

comparabilidade das mesmas, retirando o efeito da composição etária e de gênero da

população idosa nos bairros.

18

5.2. Análise Exploratória e Seleção das Variáveis Independentes

5.2.1. Esgotamento Sanitário e Abastecimento de Água

As variáveis Esgotamento Sanitário e Abastecimento de Água refletem a

cobertura de Serviços Básicos de Saneamento nos bairros do Rio de Janeiro e

representam, de maneira indireta, o nível de desenvolvimento dos bairros, pois espera-se

que bairros mais desenvolvidos socioeconomicamente possuam alta cobertura de

esgotamento sanitário e abastecimento de água.

O esgotamento sanitário foi representado pela porcentagem de domicílios cujo

esgotamento sanitário é feito pela rede geral de abastecimento ou rede pluvial.

Os gráficos da Figura 5, e os dados da Tabela 1 resumem a distribuição desta

variável. Observamos que a maioria dos bairros apresentou mais de 90% dos domicílios

atendidos pela rede geral ou pluvial e esgoto. O boxplot evidencia que os valores

extremos estão abaixo do geral, sendo as menores proporções observadas em Grumari

(0), Vargem Grande (29%), Barra de Guaratiba (32%) e Camorim (36%).

Figura 5 – Boxplot e histograma da variável Esgotamento Sanitário

Tabela 1 – Medidas de posição e dispersão da distribuição da variável

Esgotamento Sanitário no município do Rio de Janeiro em 2010

Mínimo 0%

1º Quartil 90,09%

Mediana 96,05%

Média 91,06%

3º Quartil 99,08%

Máximo 99,90%

Desvio Padrão 14,47%

19

O mapa da Figura 6 mostra a distribuição desta porcentagem nos bairros do

município do Rio de Janeiro. Observamos que a proporção de domicílios atendidos pela

rede geral ou pluvial de esgoto aumenta no sentido oeste-leste, sendo os bairros que

compõem a Área de Planejamento 2 aqueles com os maiores valores para esta variável,

com destaque para Copacabana, Flamengo, Glória, Humaitá, Lagoa, Laranjeiras e

Leblon, todos com 99,9% das residências atendidas pela rede geral ou pluvial de esgoto.

O Índice I de Moran Global foi de 0,45 e o mapa da Figura 7 mostra os bairros

que se destacaram localmente no Índice de Moran Local, sendo as áreas em vermelho

aquelas significativas a 5% e as áreas em amarelo a 10%.

O índice de Moran Global aponta para uma autocorrelação espacial global

moderada, que pode ser observada no gradiente descrito anteriormente na distribuição

das proporções nos bairros, e o mapeamento do p-valor obtido no Índice de Moran

Local aponta para um cluster nos bairros onde as proporções foram menores. Tal

comportamento provavelmente está associado à grande diferença existente entre os

valores mais baixos e os demais valores da variável. Como 75% dos bairros

apresentaram uma proporção de domicílios atendidos pela rede geral ou pluvial de

esgoto, os bairros onde os valores foram mais próximos ao mínimo acabaram

destoando, sendo identificados como observações discrepantes das demais.

O Abastecimento de Água foi representado pela porcentagem de domicílios cujo

tipo de abastecimento de água é a rede geral de distribuição de água. Os gráficos da

Figura 8 e os dados da Tabela 2 mostram a distribuição desta variável.

Tabela 2 – Medidas de posição e dispersão da distribuição da variável

Abastecimento de Água no município do Rio de Janeiro em 2010

Mínimo 9,10%

1º Quartil 98,60%

Mediana 99,50%

Média 97,38%

3º Quartil 99,80%

Máximo 100,00%

Desvio Padrão 9,27%

20

Figura 6 – Distribuição da Porcentagem de Domicílios cujo esgotamento sanitário é

feito por rede geral ou pluvial por bairro no Rio de Janeiro

Figura 7 – Moran Local da Porcentagem de Domicílios cujo esgotamento sanitário é

feito por rede geral ou pluvial por bairro no Rio de Janeiro

21

Figura 8 – Boxplot e histograma da variável Abastecimento de Água

Observamos que a variável abastecimento de água apresentou baixa

variabilidade, com 75% dos bairros apresentando uma proporção de domicílios

atendidos pela rede geral de abastecimento de água entre 98,6% e 100% e um desvio

padrão reduzido. O Boxplot e histograma mostram a concentração dos valores desta

variável próximo ao máximo. Os bairros que apresentaram as menores proporções de

domicílios abastecidos pela rede geral de água foram Vargem Pequena, Camorim, Alto

da Boa Vista, Vargem Grande e Grumari, com 77,5%, 67,5%, 57,3%, 55,5% e 9,1%

respectivamente.

O mapa da Figura 9 mostra a distribuição do Abastecimento de Água nos

bairros do município do Rio de Janeiro, por quartil. É inevitável comentar a baixa

variabilidade dos dados, pois, apesar das faixas de corte passarem a ideia de um padrão

global similar ao da variável anterior, com aumento no sentido oeste-leste, estamos

falando da variação de 0,1% e 0,3% nos valores da proporção entre as faixas.

O Índice I de Moran Global foi de 0,14, o que pode ser um demonstrativo da

baixa variabilidade dos dados. Apesar da aparência do mapa ser próxima à do mapa do

esgotamento sanitário, o que poderia nos levar a pensar em uma correlação espacial

global mais elevada do que a observada, o fato das diferenças entre as proporções serem

muito pequenas não permite observar um padrão espacial com diferenças significativas.

O comportamento a nível local pode ser observado no mapa Figura 10. Observa-se um

cluster de bairros onde o Moran Local foi significativo a 5%, representados em

vermelho no mapa, sendo o valor da variável nestes bairros mais baixos.

22

O coeficiente de correlação de Pearson entre estas duas variáveis foi 0,76,

indicando uma correlação linear forte. Como dito anteriormente, estas duas variáveis

apontam a oferta de serviços básicos de saneamento aos domicílios, podendo ser

avaliada como um indicativo de desenvolvimento dos bairros, o que nos leva a

questionar a utilização de ambas na etapa de modelagem.

Neste sentido, considerando-se a baixa variabilidade dos dados de

abastecimento, o que acarretaria um baixo poder discriminatório à mesma, e a

correlação elevada entre ela e o esgotamento sanitário, além do fato de ambas

representarem características semelhantes dos bairros, optamos por manter apenas a

variável de esgotamento sanitário para a etapa de modelagem.

Figura 9 – Distribuição da Porcentagem de Domicílios Atendidos pela Rede Geral de

Distribuição de Água por bairro no Rio de Janeiro

23

Figura 10 – Moran Local da Porcentagem de Domicílios Atendidos pela Rede Geral de

Distribuição de Água por bairro no Rio de Janeiro

5.2.2. Coleta de Lixo

A Coleta de Lixo foi representada pela porcentagem de domicílios atendidos por

coleta de lixo, e assim como as variáveis de Abastecimento de Água e Esgotamento

Sanitário representa a cobertura de Serviços Básicos de Saneamento, e de forma indireta

o nível de desenvolvimento dos bairros.

Os dados da Tabela 3 e os gráficos da Figura 11 mostram a distribuição desta

variável. Observamos uma baixa variabilidade, com mínimo de 89,2% e máximo de

100%, com um desvio de padrão 1,4%. Dos 158 bairros, 130 apresentaram pelo menos

99% dos domicílios atendidos por coleta de lixo em seus domicílios.

Os mapas da Figura 12 e da Figura 13 mostram a distribuição espacial desta

variável. Neste caso, vale comentário semelhante ao do abastecimento de água: apesar

de se observar, ainda que de maneira não muito clara, uma tendência de aumento no

sentido oeste-leste, o mesmo se dá pela estratificação por quartil para compor as faixas

de cores do mapa, de maneira que esta variação, representada no mapa, é de uma

variação de 0,6% e 0,2%. A menor cobertura foi observada em Manguinhos, que se

destaca a nível local junto com Bonsucesso, Maria da Graça e Jacarezinho, tendo estes

três últimos mais de 95% de cobertura, formando um cluster com Índice de Moran

24

Local significativos, e demarcados no mapa da Figura 11 pelos bairros em vermelho. O

Índice I de Moran Global foi de 0,03, o que indica a inexistência de autocorrelação

espacial global.

Tabela 3 – Medidas de posição e dispersão da distribuição da variável Coleta de Lixo

no município do Rio de Janeiro em 2010

Mínimo 0,8920

1º Quartil 0,9922

Mediana 0,9980

Média 0,9926

3º Quartil 1,0000

Máximo 1,0000

Desvio Padrão 0,0145

Figura 11 – Boxplot e Histograma da Coleta de Lixo

25

Figura 12 – Distribuição da Porcentagem de Domicílios Atendidos com Coleta de Lixo

por bairro no Rio de Janeiro

Figura 13 – Moran Local da Porcentagem de Domicílios Atendidos com Coleta de Lixo

por bairro no Rio de Janeiro

26

5.2.3. Tipo de Habitação

O tipo de habitação precária foi classificada como casa de cômodos, cortiço ou

cabeça de porco e analisado no presente estudo através da porcentagem de domicílios

em cada bairro classificado nesta categoria. Esta variável indica as caraterísticas de

ocupação urbana, a qualidade das habitações e o nível socioeconômico. Uma maior

proporção de habitações classificadas desta maneira pode ser o reflexo de ocupação

urbana desordenada, com mais habitações de pior qualidade, reflexo de um baixo nível

socioeconômico. Por outro lado, proporções mais baixas deste tipo de habitação podem

representar uma ocupação urbana mais ordenada, com melhores tipos de habitação e um

nível socioeconômico mais elevado, mas também pode ser um reflexo de vazios

demográficos.

A proporção variou de 0%, nos bairros da Água Santa, Campo dos Afonsos,

Deodoro, Engenheiro Leal, Grumari e Lagoa, a 20,11% na Cidade Nova. O bairro da

Lagoa possui bons indicadores em relação à moradia, como observado anteriormente na

coleta de lixo, no abastecimento de água e no esgotamento sanitário, o que justifica a

baixa proporção de domicílios cujo tipo de habitação foi classificado como precária. Por

outro lado, a baixa proporção em Grumari, Deodoro, Engenheiro Leal, Campo dos

Afonsos e Água Santa podem ser oriundos da má qualidade dos dados ou por serem

áreas de grandes vazios demográficos.

No mapa da Figura 14 não observamos um padrão espacial claro, o que fica

ainda mais evidente ao se analisar o Índice de I de Moran Global, que foi de 0,27,

indicando uma autocorrelação espacial fraca. O mapa da Figura 15, que apresenta o p-

valor do Índice I de Moran Local, indica um cluster local, englobando os bairros

Centro, Saúde, Gamboa, Santo Cristo e Santa Tereza, sendo bairros onde os valores da

variável foi elevado. Itanhangá e Gardênia Azul também se destacam a nível local, mas

como observações discrepantes em relação aos seus vizinhos, não formando

aglomerados de valores similares.

27

Figura 14 – Distribuição da Porcentagem de Domicílios classificados como casa de

cômodos, cortiço e cabeça de porco por bairro no Rio de Janeiro

Figura 15 – Moran Local da Porcentagem de Domicílios classificados como casa de

cômodos, cortiço e cabeça de porco por bairro no Rio de Janeiro

28

5.2.4. Índice de Envelhecimento Populacional e Razão de Dependência de Idosos

O Índice de Envelhecimento Populacional (IEP) e a Razão de Dependência de

Idosos (RD) são indicadores utilizados para definir o grau de envelhecimento da

população. O primeiro é dado pelo número de idosos para cada 100 jovens com menos

de 15 anos de idade e o segundo pelo número de idosos para cada 100 indivíduos na

faixa etária economicamente ativa (15 a 59 anos de idade), neste sentido, em populações

onde a proporção de jovens e adultos é similar, estes indicadores tendem a assumir

valores próximos. Além disto, como ambos utilizam a população com 60 ou mais anos

de idade como denominador, é de grande importância que se avalie a existência de

colinearidade entre eles na hora utilizá-los em estudos que abordem o envelhecimento

populacional.

Os mapas da Figura16 e da Figura 17 mostram a distribuição espacial do IEP e

da RD de idosos, respectivamente, por quartil nos bairros do município do Rio de

Janeiro em 2010.

Figura 16 – Distribuição do Índice de Envelhecimento Populacional por bairro no Rio

de Janeiro

29

Figura 17 – Distribuição da Razão de Dependência de Idosos por bairro no Rio de

Janeiro

Observamos um padrão parecido na distribuição destas duas variáveis, com um

gradiente de aumento no sentido oeste-leste, estando os valores mais elevados nos

bairros litorâneos da Área de Planejamento 2, com destaque para Copacabana,

Flamengo, Ipanema, Leme e Glória, entre os 10 maiores valores para ambas as

variáveis. Em contrapartida, entre os 5 menores valores de ambas as variáveis figuram

Manguinhos, Grumari, Rocinha e Campo dos Afonsos. O Índice de Moran Global do

IEP foi de 0,45, apontando para uma autocorrelação espacial moderada, assim como a

RD de idosos, que apresentou Índice I de Moran Global de 0,35.

Localmente os grupamentos observados também foram parecidos, como

mostram os mapas da Figura 18 e da Figura 19. No Índice de Envelhecimento

Populacional observamos um cluster de valores mais baixos, marcados em vermelho

(5%) e amarelo (10%) mais a oeste no mapa da Figura 18, composto por Santa Cruz,

Paciência, Cosmos, Inhoaíba, Campo Grande, Guaratiba, Vargem Grande, Vargem

Pequena, Camorim e Jacarépaguá; e um cluster de valores elevados, mais a leste,

composto por Gávea, Leblon, Jardim Botânico, Ipanema, Lagoa, Copacabana, Humaitá,

Leme, Urca, Botafogo, Laranjeiras, Flamengo, Glória e Catete. Outros bairros se

destacam localmente em pequenos grupamentos, ou como áreas discrepantes, como por

30

exemplo, pequeno grupo formado por Maracanã, Tijuca e Andaraí, além de Méier e

Todos os Santos, todos estes bairros com valores elevados de IEP, mas com vizinhos

diretos apresentando valores medianos e baixos deste indicador. Em relação à RD de

idosos observou-se que a nível local, observado na Figura 19 o comportamento foi

parecido com o do IEP, com clusters locais semelhantes, compostos pelos mesmos

bairros, e seguindo o mesmo padrão de valores elevados no leste e valores menores a

oeste.

Sabendo que o padrão espacial na distribuição destas variáveis é semelhante, e

considerando as informações anteriores quanto ao cálculo das mesmas, vale a pena

analisar de maneira detalhada a relação entre elas. O gráfico da Figura 20 mostra a

dispersão do IEP e da RD de idosos, apontando para uma relação praticamente linear. O

coeficiente de correlação linear de Pearson entre as duas variáveis foi de 0,91.

Figura 18 – Moran Local do Índice de envelhecimento Populacional por bairro no Rio

de Janeiro

31

Figura 19 – Moran Local da Razão de Dependência de Idosos por bairro no Rio de

Janeiro

Figura 20 – Dispersão do Índice de Envelhecimento Populacional vs Razão de

Dependência de Idosos

32

Sabendo desta colinearidade existente entre o IEP e a RD de Idosos, e do padrão

espacial das mesmas, optamos por utilizar na etapa de modelagem apenas o IEP.

5.2.5.Taxa de Analfabetismo de Idosos

A taxa de analfabetismo de idosos é dada pela porcentagem de pessoas

analfabetas com 60 ou mais anos de idade. Este indicador aponta o nível

socioeconômico, de maneira que se espera observar taxas mais baixas de analfabetismo

de idosos nos bairros onde a população possua uma melhor condição socioeconômica.

O mapa da Figura 21 mostra a distribuição espacial desta taxa nos bairros, por

quartil. Não é possível distinguir um padrão na distribuição espacial da taxa de

analfabetismo, contudo, observamos que os bairros mais ao oeste se destacam com

valores elevados da taxa, sendo os mesmos bairros que apresentaram menores

coberturas de serviços de saneamento, e encontram-se em um estágio mais atrasado do

envelhecimento populacional, como visto anteriormente. Podemos citar entre estes

Santa Cruz, Paciência, Cosmos, Inhoaíba, Guaratiba, Grumari, Vargem Grande e

Vargem Pequena.

Fora deste grupamento, observamos, também com valores elevados desta taxa

bairros mais a leste, como foi o caso de Manguinhos, Maré e Cajú, que assim como os

bairros citados anteriormente, também apresentaram indicadores que os classificam

como menos envelhecidos e com piores condições socioeconômicas e sanitárias.

Em contrapartida, mas seguindo o padrão já observado nas outras variáveis

analisadas até o momento, os bairros litorâneos da área de planejamento 2, como

Copacabana, Leblon, Ipanema, Gávea, Jardim Botânico, Botafogo, Flamengo, Catete e

Glória, apresentaram as menores taxas de analfabetismo de idosos.

Estes três agrupamentos de bairros citados anteriormente são justamente aqueles

que se destacaram localmente, formando clusters, como é possível observar no mapa da

Figura 22, que apresenta o p-valor obtido pelo LISA. O Índice I de Moran Global foi

de 0,12, apontando para uma autocorrelação espacial fraca.

33

Figura 21 – Distribuição da Taxa de Analfabetismo entre Idosos por bairro no Rio de

Janeiro

Figura 22 – Moran Local da Taxa de Analfabetismo entre Idosos por bairro no Rio de

Janeiro

34

5.2.6. Razão de Sexo de Idosos

A Razão de Sexo de Idosos é dada pela razão entre o número de homens e

mulheres de pessoas com 60 ou mais anos de idade. Como já discutido no início deste

capítulo, nas faixas etárias mais elevadas a proporção de mulheres aumenta, apontando

para uma maior expectativa de vida das mulheres com o avanço da idade. Neste sentido,

bairros mais envelhecidos, ou onde o processo de envelhecimento está mais avançado,

espera-se que esta razão seja menor.

A Razão de Sexo de Idosos variou de 0,36, em Campo dos Afonsos, até 1,42 em

Gericinó. É importante destacar, que este valor mínimo encontrado em Campo dos

Afonsos provavelmente está relacionado com sua população idosa baixa. Segundo os

dados do CENSO 2010, existiam 26 pessoas com 60 ou mais anos de idade no bairro

neste ano. O valor elevado em Gericinó, em contrapartida, se justifica e corrobora com a

hipótese levantada no parágrafo anterior, dado que este bairro é o que apresentou a

menor proporção de idosos em sua população.

O mapa da Figura 23 mostra a distribuição da Razão de Sexo de Idosos por

bairro, sendo as faixas construídas de acordo com os quartis da distribuição desta

variável.

Figura 23 – Distribuição da Razão de Sexo entre Idosos por bairro no Rio de Janeiro

35

Os valores mais elevados se concentraram nos bairros a oeste e sudoeste do

município, destacando-se Gericinó, Grumari, Joá, Camorim, Vargem Grande, Vargem

pequena, Guaratiba, Barra de Guaratiba, Pedra de Guaratiba, Sepetiba, Barra da Tijuca,

Recreio dos Bandeirantes, Guaratiba e São Conrado.

Observamos que, em relação a esta variável, não percebemos um grupo muito

claro de valores baixos nos bairros da Área de Planejamento 2. Apesar de Copacabana,

Flamengo e Catete apresentarem Razão de Sexo de Idosos com valores baixos, observa-

se que bairros como Lagoa e Urca apresentaram valores elevados. Os demais bairros

vizinhos apresentaram valores baixos ou medianos desta variável.

O mapa da Figura 24 mostra os bairros que se destacaram a nível local pelo

Índice de Moran Local (LISA), sendo as áreas em vermelhas aquelas que se destacaram

de maneira mais significativa (p-valor < 0,05) e em amarelo de maneira menos

significativa (p-valor entre 0,05 e 0,1).

Observamos dois clusters locais, um formado por Guaratiba, Barra de Guaratiba,

Grumari, Recreio, Vargem Grande, Vargem Pequena, Camorin, Recreio dos

Bandeirantes, Barra da Tijuca, Itanhanguá, Joá e São Conrado, bairros onde o valor da

Razão de Sexo entre Idosos foi elevado, e outro formado por Maracanã, Vila Isabel,

Andaraí e Tijuca onde os valores da variável foram mais baixos. Méier, Abolição,

Flamengo, Catete e Glória também se destacaram em relação aos vizinhos.

36

Figura 24 – Moran Local da Razão de Sexo entre Idosos por bairro no Rio de Janeiro

5.2.7. Renda de Idosos, Renda de até dois Salários Mínimos e Renda maior que quinze

Salários Mínimos

Para analisar os bairros em relação à renda optamos inicialmente pela utilização

de três variáveis: I) a Renda de Idosos, representada pela renda nominal média das

pessoas com 60 ou mais anos de idade em salários mínimos, um indicador do

quantitativo de ganhos da população idosa, II) Renda de até dois Salários Mínimos,

representada pela porcentagem de domicílios cujo rendimento domiciliar médio foi

menor do que dois salários mínimos, um indicador de pobreza, de maneira que bairros

onde este indicador for maior são mais pobres, e III) Renda de maior que quinze salários

mínimos, um indicador de riqueza dos bairros.

Os mapas da Figura 25 mostram a distribuição das três variáveis referentes à

renda da população, estratificadas por quartil. Observamos nos mapas a e b um padrão

com distribuição espacial similar da Renda Nominal e da Renda maior de 15 Salários,

com aumento do valor no sentido noroeste-sudeste. Lagoa, São Conrado, Ipanema, Joá,

Leblon, Cosme Velho, Gávea Urca e Jardim Botânico estão entre os dez maiores

valores estas duas variáveis, enquanto Grumari, Barros Filho, Acari, Maré, Complexo

do Alemão, Costa Barros Rocinha e Cajú estão entre os dez menores valores. O Índice

I de Moran Global da Renda dos Idosos e da Renda maior de 15 salários foi de 0,60 e

37

0,58, respectivamente, apontando para uma autocorrelação espacial de moderada para

forte de ambas as variáveis. Os mapas d e e, que apresentam o p-valor obtido no LISA

aponta para clusters compostos pelos bairros citados anteriormente onde o valor destas

variáveis foi mais elevado.

O mapa c mostra a distribuição da variável Renda menor de 2 salários mínimos,

também estratificado por quartis. É mais difícil apontar um padrão espacial para esta

variável, apesar de observar-se que os bairros mais a noroeste no mapa apresentaram

maiores valores desta proporção, estando acima da mediana, enquanto os bairros a

sudeste apresentaram valores mais baixos, estando abaixo da mesma. Observamos um

mosaico nos bairros a nordeste do mapa, com vizinhos alternando valores altos e baixos

da variável. O Índice I de Moran Global foi de 0,38, apontando para uma autocorrelação

espacial fraca.

O mapa f aponta para diversos agrupamentos locais. Um dos grupamentos é

formado por bairros da Área de Planejamento 2, onde a porcentagem de domicílios com

renda menor de 2 salários é baixa, como por exemplo Copacabana, Leblon, Botafogo,

Flamengo, Ipanema, Lagoa e Urca. Outro cluster, formado por Santa Cruz, Paciência,

Cosmos, Inhoaíba, Sepetiba e Guaratiba, destaca bairros com alto percentual de

domicílios nesta faixa de rendimento.

Outros bairros também se destacaram a nível local, como Bangú, Senador

Camará, Pavuna, Jardim Sulacap, Anchieta, Coelho Neto, Acarí, Barros Filho e Costa

Barros, Cajú e Maré, Tijuca, Vila Isabel, Maracanã e Andaraí. O fato de observarmos

diversos bairros que se destacam no mapa do LISA em diversas regiões do município

aponta para a ocorrência de diversos processos locais diferentes, corroborando a ideia

de um mosaico na distribuição desta variável.

38

A distribuição destas três variáveis nos permite pensar na colinearidade das

mesmas, de maneira que a Renda Nominal e a Renda Maior de 15 Salários Mínimos

aparentam possuir uma correlação linear forte e positiva, e a correlação entre a Renda

Fig

ura

25

– D

istr

ibuiç

ão E

spac

ial

dos

indic

adore

s de

rendim

ento

. a)

Ren

da

de

Idoso

s por

quar

til;

b)

Ren

da

mai

or

de

2

Sal

ário

s M

ínim

os

por

quar

til;

c)

Ren

da

men

or

de

2 S

alár

ios

Mín

imos;

d)

P-v

alor

do M

ora

n L

oca

l d

a R

enda

de

Idoso

s; e

) P

-

val

or

do M

ora

n L

oca

l da

Ren

da

mai

or

de

15 S

alár

ios

Mín

imos;

f)

P-v

alor

do M

ora

n L

oca

l d

a R

enda

men

or

de

2 S

alár

ios

mín

imos

39

Menor de 2 salários e estas duas variáveis seria negativa e forte (superior a 70%). Os

dados da Tabela 4 mostram o valor do coeficiente de correlação de Pearson entre estas

variáveis e os gráficos de dispersão da Figura 25 a relação entre elas.

Tabela 4 – Coeficiente de Correlação de Pearson entre as variáveis Renda dos Idosos,

Renda Maior que 15 Salários Mínimos e Renda Menor que 2 Salários Mínimos

Renda dos Idosos

Renda Maior

que 15 Salários

Renda Menor

que 2 Salários

Renda dos Idosos 1 0,96 -0,77

Renda Maior que 15 Salários

1 -0,81

Renda Menor que 2 Salários

1

Observamos na Tabela 4 que a correlação linear entre a Renda Nominal e a

Renda Maior que 15 Salários foi de 0,96 o que aponta para uma correlação linear forte.

Já a correlação da variável Renda Menor que 2 Salários com a Renda Nominal e com a

Renda Maior que 15 Salários foi de -0,77 e -0,81, respectivamente, o que indica uma

correlação linear de moderada para forte e inversa, ou seja, nos bairros onde a Renda

Menor de 2 Salários foi elevada apresentaram maiores valores das outras duas variáveis.

Os gráficos da Figura 26 mostram que a relação entre Renda Nominal e a Renda

Maior que 15 Salários é claramente linear, enquanto a relação entre estas e a Renda

menor de 2 Salários se afasta da linearidade.

40

Figura 26 – Gráficos de dispersão com as variáveis sobre rendimento

Sendo assim, considerando a correlação linear forte existente entre a Renda

Nominal e a Renda Maior de 15 Salários, optamos por retirar a variável Renda Maior de

15 Salários da etapa de modelagem.

5.2.8. Caracterização demográfica e da condição socioeconômica dos bairros Rio de

Janeiro

A partir da análise exploratória e descritiva dos indicadores socioeconômicos

podemos distinguir regiões do Rio de Janeiro com diferentes níveis de desenvolvimento

socioeconômico. Bairros da zona Sul, como os que compõem a Área de Planejamento 2

apresentaram melhores condições socioeconômicas, com maior cobertura de

saneamento, maior renda, menor proporção de idosos analfabetos, menor proporção de

domicílios classificados como habitação de qualidade inferior, sendo estes bairros os

mais envelhecidos. Alguns bairros fora desta Área de Planejamento também se

41

destacam em alguma destas variáveis, como é o caso da Tijuca, Méier, Vila Isabel e

Maracanã, se destoando de seus vizinhos mais próximos.

Outros bairros como os da Área de Planejamento 5, e bairros com concentração

de áreas faveladas, como é o caso de Manguinhos, Maré, Rocinha e Complexo do

Alemão apresentaram piores condições socioeconômicas, ou representam grandes

vazios demográficos, estando em estágio menos avançado do envelhecimento

populacional. Os demais bairros apresentaram valores medianos das variáveis

estudadas, se encontrando em uma etapa intermediária do envelhecimento populacional.

Estas características devem ser levadas em consideração quando analisarmos a

distribuição espacial das SMR e durante a interpretação dos modelos, para que

possamos entender de maneira mais clara as associações encontradas.

42

5.3. Mortalidade por Doenças Crônicas: Análise Exploratória e Modelagem

Sabendo que as taxas foram calculadas a partir da razão entre o número de

óbitos e a população em risco, no caso deste estudo da população idosa, analisar o

tamanho desta população nas unidades de observação é de fundamental durante a

análise dos dados de óbito. Nos bairros onde o número de idosos é pequeno um baixo

número de óbitos pode superestimar as taxas de mortalidade, da mesma forma que a

observação de bairros onde a taxa é zero não necessariamente aponta para um risco

reduzido de óbito, podendo este valor estar relacionado a uma menor população em

risco.

Neste sentido, durante a etapa exploratória dos dados de mortalidade procuramos

observar, além das SMR, o número de óbitos entre os idosos e a população idosa de

cada um dos bairros, principalmente dos valores máximos e mínimos, para que

pudéssemos ter uma visão mais clara da mortalidade por doenças crônicas no município

do Rio de Janeiro, e evidenciar a influência dos “pequenos números”.

Não ocorreram casos de óbitos pelas causas selecionadas nos bairros Campo dos

Afonsos, Gericinó, Parque Colúmbia e Vasco da Gama, de maneira que em todas as

análises que se seguem, as SMR nestes bairros foi sempre zero.

43

5.3.1. Neoplasias

A Taxa de Mortalidade Padronizada por Neoplasias entre idosos (SMR

Neoplasias) variou de 0 óbitos em cada 1.000 idosos nos bairros Joá, Grumari, Vila

Militar, além dos quatro citado no início do capítulo, a 16,55 em Pedra de Guaratiba,

todos estes apresentaram população idosa abaixo do primeiro quartil, ficando evidente a

influência das pequenas populações nos valores desta taxa. Os mapas da Figura 27

mostram a distribuição da SMR Neoplasias e da taxa estimada pelo método Bayesiano

Empírico nos bairros do Rio de Janeiro, por quartil.

No mapa da SMR observamos um mosaico, com bairros vizinhos apresentando

valores baixos e elevados da mesma, não havendo um padrão espacial claro. O Índice I

de Moran Global foi de 0,009 apontando para ausência de autocorrelação espacial a

nível global.

No mapa da taxa estimada pelo método Bayesiano Empírico, que suaviza a taxa

de acordo com a vizinhança, é possível observar uma concentração dos valores mais

elevados nos bairros que compõem a Área de planejamento 1, como Saúde, Centro,

Estácio, São Cristóvão, a Área de Planejamento 2, como Copacabana, Catete,

Flamengo, Glória, Humaitá, Ipanema, Tijuca e Grajaú e a Área de Planejamento 3,

principalmente os bairros que compõem a Região Administrativa do Méier, como

Jacaré, Riachuelo, Engenho Novo e Méier, e a Região Administrativa de Inhaúma,

como Higienópolis, Del Castilho e Inhaúma.

Outros bairros também se destacaram com valores elevados, como Taquara, Anil

e Pechincha da Área de Planejamento 4, Pitangueiras e Praia da Bandeira na Ilha do

Governador, Anchieta na Região Administrativa de Anchieta e Sepetiba, no extremo

oeste do mapa.

Os bairros com menores valores da taxa estimada pelo método Bayesiano

Empírico foram aqueles que compõem as Áreas de Planejamento 4 e 5, localizadas a

oeste no mapa, sendo as áreas de cores mais claras, destacando-se Barra da Tijuca,

Barra de Guaratiba, Grumari, Cidade de Deus, Guaratiba, Recreio Dos Bandeirantes,

Santa Cruz, entre outros. Também observamos alguns bairros com valores baixos

próximos aos bairros com valores elevados, como Maracanã, na Área de Planejamento

2, vizinho da Tijuca e São Cristóvão e o bairro do Cajú, na Região Administrativa

Portuária na Área de Planejamento 1.

44

Figura 27 – Mapas da distribuição da SMR Neoplasias e da Taxa de Mortalidade por

Neoplasias estimada pelo método Bayesiano Empírico por bairros no Rio de Janeiro

O mapa da Figura 28 mostra os bairros que se destacaram localmente pelo

LISA. Não se observou nenhum agrupamento característico, mas alguns bairros se

destacaram como Deodoro e Vila Militar ao Norte, Itanhanguá logo abaixo, Grumari

mais a oeste, todos apresentando valores baixos da SMR Neoplaisas, e Catumbi e

Cidade Nova a leste, que apresentaram valores elevados.

Na Figura 29 se destacam o histograma, o boxplot e o Normal QQ-Plot da SMR

Neoplasias. Observamos pelo histograma e pelo boxplot uma distribuição simétrica,

sendo as observações discrepantes correspondentes aos bairros onde a SMR Neoplasias

foi mais elevadas, ou seja, os bairros de Pedra de Guaratiba, Vista Alegre, Catumbi,

Vila da Penha e Saúde, bairros distantes e sem contiguidade de fronteira.

Por fim, o normal QQ-Plot indica a normalidade dos dados. Quanto mais em

cima da linha estiverem os pontos, mais normal é o conjunto de dados. Apesar de alguns

pontos destoantes acima e abaixo da linha, a suposição de normalidade é aceitável,

considerando este gráfico, e também o histograma.

Ou seja, em relação à distribuição espacial da SMR Neoplasias não se observa

um padrão evidente, sendo a autocorrelação espacial praticamente nula, sem grandes

clusters locais, apenas com alguns bairros se destacando localmente. As estimativas

obtidas pelo método Bayesiano Empírico indicam um gradiente de aumento da taxa nos

bairros no sentido oeste-leste, padrão similar ao observado em alguns indicadores

analisados, como a Renda Nominal de Idosos, Esgotamento Sanitário e Índice de

Envelhecimento Populacional. A suposição de normalidade da mesma se mostrou

plausível a partir das análises gráficas.

45

Figura 28 – Moran Local da SMR Neoplasias por bairros no Rio de Janeiro

Figura 29 – Histograma, Boxplot e Normal Q-Q Plot da SMR Neoplasias

46

5.3.1.1. Modelagem da SMR Neoplasias

Na primeira etapa da modelagem foram selecionadas as variáveis Esgotamento

Sanitário, Coleta de Lixo, Razão de Sexo, Índice de Envelhecimento Populacional e

Taxa de Analfabetismo de Idosos, a partir de Modelos Lineares Generalizados (MLG)

univariados, considerando 20% de significância.

Na etapa posterior, partindo do modelo multivariado contendo todas as variáveis

selecionadas na etapa anterior, foram retiradas, uma a uma, nesta ordem: Índice de

Envelhecimento Populacional, Coleta de Lixo, Razão de Sexo e Analfabetismo de

Idosos, permanecendo no modelo final selecionado a variável independente

Esgotamento Sanitário. A Tabela 5 mostra as estimativas do modelo final selecionado:

MLG da SMR Neoplasias – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 1,525 1,405 0,2796 Esgoto 0,055 1,524 0,0003 P-valor: 0,0003 AIC: 773,74

O modelo selecionado aponta para que uma maior cobertura de serviços

sanitários básicos esteja associada a uma maior SMR Neoplasias, ou seja, considerando

este indicador como um reflexo de desenvolvimento dos bairros, em bairros mais

desenvolvidos a SMR Neoplasias tende a ser maior, uma relação já observada durante

as análises exploratórias.

A Figura 30 apresenta o histograma e o Normal Q-Q Plot dos resíduos do

modelo. Observamos pelo histograma que a distribuição dos resíduos é similar àquela

observada na SMR Neoplasias, o que, considerando a suposição de normalidade desta

última, indica que a suposição do mesmo em relação aos resíduos do modelo é

plausível. No gráfico Normal Q-Q Plot observa-se que os pontos que mais se afastam da

normalidade são os bairros onde a SMR Neoplasias foi mais elevada, correspondendo a

três das cinco observações discrepantes do boxplot da Figura 29: Pedra de Guaratiba

(em vermelho), Vista Alegre (em azul) e Catumbi (em verde).

Os gráficos da Figura 31 mostram a dispersão dos resíduos versus valor

ajustado e a distância de Cook de cada um dos bairros. O primeiro gráfico aponta para

heterocedasticidade, ou seja, variância não constante, o que é observado pelo formato de

“cone” da dispersão, explicitado pela linha azul. No segundo gráfico observa-se a

47

ausência de valores influentes, o que seria indicado pela distância de Cook maior do que

1.

Figura 30 – Histograma e Normal Q-Q Plot dos resíduos do modelo escolhido

Figura 31 - Dispersão dos resíduos vs valor ajustado e distância de Cook de cada

bairros

Os mapas da Figura 32 mostram a distribuição dos valores absolutos dos

resíduos nos bairros por quartil, os bairros onde os valores absolutos dos resíduos foi

superior a dois desvios padrão e o p-valor do LISA dos valores absolutos dos resíduos.

Estes três mapas apontam, respectivamente: os bairros onde ocorreram as maiores e

menores diferenças entre valores observados e valores ajustados pelo modelo; os bairros

onde a diferença entre valor observado e valor ajustado foi superior a dois desvios

48

padrão; e clusters locais e bairros com valores absolutos dos resíduos significativamente

discrepantes em relações a seus vizinhos.

Figura 32 – Mapa da distribuição dos valores absolutos dos resíduos nos bairros por

quartil; Mapa dos bairros com valores absolutos dos resíduos superior a dois desvio

padrão; Mapa do p-valor do LISA dos valores absolutos dos resíduos

No mapa dos valores absolutos dos resíduos por quartil podemos observar um

mosaico, com ausência de um padrão espacial claro. Contudo, identificamos conjuntos

de bairros vizinhos com valores altos e baixos dos valores absolutos dos resíduos, que

ficam mais claros no mapa do p-valor do LISA dos valores absolutos, onde se

destacaram Vila Militar e Campo dos Afonsos, bairros vizinhos e onde o p-valor foi

menor que 0,05, e também Vasco da Gama e São Cristóvão, também bairros vizinhos

sendo o p-valor observado no primeiro foi inferior a 0,05 e no segundo ficou entre 0,05

e 0,1. Além destes, Praça Seca e Vaz Lobo também se destacaram localmente, com p-

valor do LISA entre 0,05 e 0,1.

49

Os objetivos da utilização do mapa dos bairros onde o valor absoluto dos

resíduos foi superior a dois desvios padrão foram de observar o comportamento da

distribuição dos valores dos resíduos quanto à normalidade, dado que em uma

distribuição normal espera-se que 5% das observações se encontrem dois desvios

padrão ou mais distante da média, e a análise de possíveis padrões ou clusters formados

por estes valores discrepantes. Neste sentido, caso houvesse estrutura espacial ou focos

locais de não-estacionariedade, tais valores estariam em bairros vizinhos.

Observamos, contudo, que excetuando Vila Militar e Campo dos Afonsos, os

bairros onde os valores absolutos dos resíduos foram superiores a dois desvios padrão

estavam dispersos pelo mapa, não apresentando contiguidade de fronteira. Além disto,

doze bairros apresentaram valor absoluto do resíduo superior a dois desvios padrão, o

que corresponde a 7,6% das observações, apontando mais uma vez para a plausibilidade

da suposição de normalidade dos resíduos.

O Índice I de Moran Global dos valores absolutos do resíduo foi menor que

0,001, apontando para ausência de autocorrelação espacial, sendo possível a suposição

de independência dos resíduos. Sendo assim, considerando a manutenção dos

pressupostos para MLG normal, é de se esperar que existam poucas diferenças entre

este e o modelo do erro espacial.

A Tabela 6 apresenta as estimativas do modelo CAR. Observou-se diminuição

no erro padrão e pequenas alterações nas estimativas do modelo, com o intercepto

aumentando de 1,525 para 1,552 e a estimativa de Esgotamento Sanitário diminuindo de

0,055 para 0,054. Observamos também aumento no AIC e a perda de significância do

modelo, indicando que, apesar da maior precisão do modelo CAR, o mesmo apresentou

um ajuste pior do que o obtido pelo MLG.

CAR da SMR Neoplasia – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 1,552 1,362 0,2544 Esgotamento Sanitário 0,054 0,014 0,0002 P-valor: 0,619 AIC: 775,59

50

5.3.2. Doenças Hipertensivas

A Taxa de Mortalidade Padronizada por Doenças Hipertensivas (SMR DH)

variou de 0 a 10,94 óbitos para cada 1.000 idosos. Assim como observado na SMR

Neoplasias existe influência dos “pequenos números” na variação da SMR DH. Assim

como quatro dos seis bairros com os maiores valores da SMR DH, onze dos doze

bairros onde esta taxa foi igual a 0 fizeram parte do primeiro quartil da população idosa.

Os mapas da Figura 33 mostram a distribuição da SMR DH e da Taxa estimada

pelo método Bayesiano Empírico nos bairros do Rio de Janeiro, ambos estratificados

por quartil. No mapa da SMR DH não vemos um padrão espacial global, apesar de ser

possível identificar possíveis aglomerados. Os bairros litorâneos da Zona Sul, que

compõem a Região Administrativa 2. Como Copacabana, Botafogo, Leblon, Ipanema e

Urca apresentaram baixa SMR DH, compondo o primeiro quartil da distribuição desta

variável. Dos bairros que compõem esta região administrativa, apenas o Flamengo fez

parte do último quartil da distribuição.

Figura 33 – Mapas da Distribuição da SMR DH e da Taxa de mortalidade por Doenças

Hipertensivas estimada pelo método Bayesiano Empírico nos bairros do Rio de Janeiro

Nos bairros situados a nordeste no mapa, que compõem as Áreas de

Planejamento 3 e 4 observa-se um mosaico, com valores altos e baixos da SMR DH em

bairros próximos, sendo, contudo, as áreas onde se concentram os maiores valores da

SMR DH. Dos quarenta bairros que apresentaram o valor desta taxa acima do terceiro

quartil, trinta e um faziam parte destas duas Áreas de Planejamento.

51

No mapa das Taxas estimadas pelo método Bayesiano Empírico, observamos

que os bairros que compõem a Área de planejamento 2, assim como os bairros da

Região Administrativa da Barra da Tijuca apresentaram os valores mais baixos da Taxa.

Os bairros que compõem o segundo quartil da mesma estão dispersos pelo mapa,

estando mais concentrados nas Regiões Administrativas de Jacarepaguá e Santa Cruz, e

entre os bairros que compõem a Área de Planejamento 3.

Assim como observado no mapa da SMR DH, os valores mais elevados da taxa

estimada pelo método Bayesiano Empírico estão concentrados nos bairros que

compõem a Área de Planejamento 3, situados a nordeste no mapa.

O Índice I de Moran Global da SMR DH foi de 0,002, apontando para a ausência

de autocorrelação espacial a nível global. O mapa da Figura 34 mostra o resultado do

LISA desta taxa.

Figura 34 – Moran Local da SMR DH por bairros no Rio de Janeiro

Observamos que Pedra de Guaratiba e Grumari se destacam localmente a

noroeste no mapa, apresentando valores baixos da SMR DH, assim como Botafogo,

Urca, Leme, Copacabana, Ipanema e Lagoa, formando um cluster a sudeste

concentrando bairros onde a SMR DH também foi baixa. O bairro de Vaz Lobo, ao

52

norte do mapa também se destacou localmente, sendo um bairro com valor elevado da

SMR DH. Estes bairros estão em vermelho no mapa e apresentaram p-valor menor do

que 0,05 no LISA.

Os bairros Joá, na região central ao norte do mapa, onde a SMR DH foi 0 e

Bancários, com valor elevado desta taxa, na Ilha do Governador, se destacaram

localmente com p-valor de entre 0,05 e 0,1, representados em amarelo no mapa.

Os gráficos da Figura 35 mostram o histograma, o boxplot e o Normal Q-Q Plot

da SMR DH. Observamos pelo histograma que a taxa apresenta uma distribuição

assimétrica e com um comportamento que se afasta da normalidade, de maneira que tal

característica da distribuição deve ser levada em consideração quando analisarmos os

resíduos do modelo na etapa de modelagem.

Figura 35 – Histograma, boxplot e Normal Q-Q Plot da SMR DH

No boxplot observamos que a SMR DH que os bairros de Camorin, Jacaré,

Deodoro e Vista Alegre apresentaram valores discrepantes da taxa, sendo estes os

bairros onde o valor foi mais elevado. Tais bairros, junto com os bairros onde a SMR

DH foi 0, já citados anteriormente, se destacaram também no gráfico Normal Q-Q Plot

como as observações que mais se distanciam da linha que indica a normalidade.

Neste sentido, podemos concluir independência entre as observações quanto a

SMR DH, dado a ausência de autocorrelação espacial global, apesar de alguns bairros se

destacarem a nível local, com um cluster formado pelos bairros Botafogo, Urca, Leme,

Copacabana, Ipanema e Lagoa, onde a taxa foi baixa. Sua distribuição se afasta da

53

normalidade o que deve ser considerado ao analisarmos a adequação dos modelos

durante a análise de resíduos.

5.3.2.1. Modelagem da SMR DH

Na primeira etapa da modelagem foram selecionadas as variáveis Índice de

Envelhecimento Populacional, Renda de Idosos e Renda Menor que 2 Salários

Mínimos. Na segunda etapa da modelagem, as variáveis Índice de Envelhecimento

Populacional e Renda de Menor que 2 Salários Mínimos foram retiradas do modelo,

permanecendo, no modelo final selecionado apenas a Renda de Idosos. A Tabela 7

mostra os coeficientes, as estimativas, o erro padrão e o p-valor do modelo final.

Tabela 7 – MLG da SMR DH – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,785 0,192 <0,0001 Renda de Idosos -0,164 0,035 <0,0001 P-valor: <0,001 AIC: 581,00

De acordo com o modelo final obtido, o aumento de 1 Salário Mínimo na Renda

de Idosos provoca uma diminuição de 0,164 na SMR DH. Ou seja, nos bairros a renda

nominal média de idosos for maior, com melhores condições socioeconômicas, menor

será a mortalidade por doenças hipertensivas.

Os gráficos da Figura 36 mostram o histograma e o Normal Q-Q Plot dos

resíduos do modelo. Observamos que a distribuição dos resíduos tende à normalidade,

apesar do comportamento da distribuição da SMR DH, analisada anteriormente. As

observações que mais se afastam da normalidade no gráfico Normal Q-Q Plot são

justamente as observações discrepantes também destacadas anteriormente: Camorin,

Jacaré e Vista Alegre.

Na Figura 37 observamos os gráficos de dispersão dos resíduos versus valores

ajustados e a Distância de Cook para cada uma das observações. Os bairros com

observações discrepantes também se destacam nestes gráficos, sendo os mais atípicos

no gráfico de dispersão dos resíduos versus valores ajustados e com maior distância de

Cook.

54

Figura 36 – Histograma e Normal Q-Q Plot dos resíduos do MLG selecionado para

SMR DH

Figura 37 – Dispersão dos Resíduos versus Valores Ajustados e Distância de Cook por

bairro

Assim como ocorreu no MLG ajustado para a SMR Neoplasias, os resíduos do

SMR DH apresentam um comportamento heterocedástico, evidenciado pelo formato de

cone da dispersão dos resíduos versus valores ajustados, demarcado pela linha azul. Não

foram observados valores influentes no gráfico da Distância de Cook.

Os mapas da Figura 38 mostram a distribuição dos valores absolutos dos

resíduos por quartil nos bairros do Rio de Janeiro, os bairros onde o valor absoluto dos

resíduos foi maior do que dois desvios padrão, e os bairros que se destacaram

localmente pelo LISA dos valores absolutos dos resíduos.

55

Figura 38 – Valores Absolutos dos resíduos por quartil; bairros onde o valor absoluto

dos resíduos foi maior do que dois desvios padrão e p-valor do LISA dos valores

absolutos dos resíduos.

Não observamos padrão espacial nos mapas, com a distribuição dos valores

absolutos por quartil por bairro formando um mosaico, com valores dispersos

aparentemente de maneira aleatória. O Índice I de Moran Global dos mesmos foi de

0,002, reforçando a ideia de que não existe autocorrelação espacial.

Apenas quatro bairros apresentaram valores absolutos dos resíduos maiores que

dois desvios padrão: Camorin, Deodoro, Jacaré e Vista Alegre, estando os mesmos

distantes no mapa, o que ratifica a distribuição aleatória e a normalidade dos resíduos.

No mapa do LISA observamos um pequeno cluster onde os valores absolutos dos

resíduos se destacaram localmente ao nível de significância de 5%, formado por Jacaré,

Jacarezinho e Rocha, destacados em vermelho no mapa. Vargem Pequena, pintado de

amarelo no mapa do LISA também se destacou a nível local.

56

Na Tabela 8 estão os coeficientes, as estimativas, o erro padrão e o p-valor

encontrado no modelo CAR. Novamente observamos ligeira diminuição do erro padrão

enquanto as alterações nas estimativas foram mínimas. O modelo foi significativo a 5%,

se comparado ao modelo nulo, e o AIC diminuiu em relação ao MLG. Neste caso,

observamos que apesar de não existir autocorrelção espacial, o modelo CAR foi mais

preciso e obteve um melhor ajuste do que o MLG. Apesar disso, as diferenças entre

estes foram mínimas.

Tabela 8 – CAR da SMR DH – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,808 0,155 <0,0001 Renda de Idosos -0,167 0,029 <0,0001 P-valor: 0,042 AIC: 578,00

57

5.3.3. Infarto Agudo do Miocárdio

Observamos incialmente um bairro com valor discrepante quanto à Taxa de

Mortalidade Padronizada de Idosos por Infarto Agudo do Miocárdio (SMR IAM). Em

Grumari a SMR IAM foi de 85,23 óbitos para cada 1.000 idosos, sendo a média desta

taxa nos bairros de 3,55 óbitos por 1.000 idosos e o terceiro quartil da distribuição de

3,88 óbitos por 1.000 idosos.

Analisando o histograma e o boxplot da distribuição da SMR IAM, na Figura 39

verifica-se a influência desta observação no comportamento da distribuição. A

observação em questão se mostra muito discrepante em relação ao restante da

distribuição e inviabiliza uma melhor análise da mesma. Neste bairro a população idosa

total era de 9 pessoas e ocorreu 1 óbito por infarto agudo do miocárdio no total, em

2010, de maneira que os “pequenos números” foram responsáveis por esta flutuação na

SMR IAM.

Figura 39 – Histograma e Boxplot da distribuição da SMR IAM – Influência da

observação discrepante

Desta forma, para não excluir esta observação da análise, calculamos a média da

SMR IAM nos outros bairros, excluindo Grumari, e substituímos o valor da SMR neste

bairro pela média obtida. Os gráficos da Figura 40 mostram o histograma, o boxplot e o

Normal Q-Q Plot da distribuição da SMR IAM com o valor discrepante substituído pela

média.

58

Figura 40 – Histograma, boxplot e Normal Q-Q Plot da SMR IAM com observação

discrepante substituído pela média

Observamos que a distribuição da SMR IAM após a substituição do valor

discrepante pela média apresentou certa simetria e seu comportamento se aproxima da

normalidade. Os bairros Deodoro, São Cristóvão, Jacaré, Vaz Lobo e Camorim se

destacam como valores discrepantes da distribuição, sendo os bairros com SMR IAM

mais altas.

Os mapas da Figura 41 mostram a distribuição da SMR IAM nos bairros do Rio

de Janeiro e da Taxa estimada pelo método Bayesiano Empírico por quartil. No

primeiro observa-se que os valores mais baixos da SMR IAM, que compuseram o

primeiro e o segundo quartil, se concentraram mais ao sul do mapa em uma faixa que

foi de Guaratiba até a Urca, passando por Flamengo, Botafogo, Copacabana, Leblon,

Barra da Tijuca, Jacarepaguá, Itanhanguá, Joá, Recreio, Vargem Grande e Vargem

Pequena. Mais ao sul observou-se outra faixa de bairros onde a maioria dos bairros

fizeram parte do terceiro e quarto quartis da SMR IAM.

Contudo, observamos também que alguns bairros mais ao norte apresentaram

SMR IAM mais baixos, como é o caso de Gericinó e Parque Colúmbia, onde a mesma

foi 0, da mesma maneira que observamos valores elevados em bairros mais ao norte,

como é o caso Camorim, Pedra de Guaratiba, Gávea e Gardênia Azul.

59

Figura 41 – Mapas da Distribuição da SMR IAM e da Taxa de mortalidade por Infarto

Agudo do Miocárdio estimada pelo método Bayesiano Empírico nos bairros do Rio de

Janeiro

No mapa da taxa estimada pelo método Bayesiano Empírico verifica-se estas

faixas de maneira ainda mais clara. Contudo, neste mapa, além das faixas ao sul, de

bairros onde a taxa foi menor, e outra logo acima, onde as taxas foram mais elevadas,

observa-se uma nova faixa, abrangendo alguns bairros das Regiões Administrativas de

Anchieta, Pavuna, Vigário Geral e Ilha do Governador.

O Índice I de Moran Global foi de 0,011, o que aponta para uma autocorrelação

espacial global fraca, e o mapa da Figura 42 mostra os bairros que se destacaram a

nível local pelo LISA da SMR IAM. Observamos no mapa do LISA que Barra de

Guaratiba e Vargem Grande se destacaram a nível local, com valores baixos da SMR

IAM, Joá e São Conrado, também com valores mais baixos da SMR IAM.

Observamos também um cluster de bairros com valores baixos da SMR IAM a

sudeste do mapa, composto por Urca, Humaitá, Lagoa, em vermelho, Botafogo,

Laranjeiras e Jardim Botânico, em amarelo, bairros onde a SMR IAM também foi

baixa. Vicente de Carvalho, Vaz Lobo, em vermelho, Pilares e Cavalcanti, em amarelo,

situados na região mais central da Área de Planejamento 3, também se destacaram

localmente, com SMR IAM elevadas.

60

Figura 42 – Moran Local da SMR IAM nos bairros do Rio de Janeiro

Neste sentido, observamos que com a substituição do valor discrepante da SMR

IAM, obtemos uma distribuição algo simétrica, com comportamento tendendo à

normalidade. Apesar de um Índice I de Moran Global baixo, observamos no

mapeamento da taxa estimada pelo método Bayesiano Empírico e pelo LISA que

aparentemente existem estruturas espaciais locais, e que devem ser levadas em

consideração ao analisar os modelos na próxima etapa.

5.3.3.1. Modelagem da SMR IAM

Na primeira etapa da modelagem da SMR IAM foram selecionadas as variáveis

Esgotamento Sanitário, Razão de Sexo de Idosos, Índice de Envelhecimento

Populacional, Renda Nominal de Idosos e Renda menor de 2 Salários Mínimos. Na

segunda etapa as variáveis Razão de Sexo de Idosos, Índice de Envelhecimento

Populacional e Renda Menor de 2 Salários Mínimos, permanecendo no modelo final as

variáveis independentes Esgotamento Sanitário e Renda Nominal de Idosos, como

mostra a Tabela 9. O VIF não apontou para colinearidade das variáveis independentes

que permaneceram no modelo.

61

GLM da SMR IAM – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,213 0,695 0,0017 Esgotamento Sanitário 0,015 0,755 0,0431 Renda de Idosos -0,138 0,032 <0,0001 P-valor: <0,0001 AIC: 551,29

O modelo final da SMR IAM apontou que em bairros com a mesma Renda de

Idosos, quanto maior a cobertura sanitária, maior a SMR IAM, enquanto em bairros

com a mesma cobertura sanitária, quanto maior a renda de idosos, menor a SMR IAM.

A Figura 43 mostra o histograma e o Normal Q-Q Plot dos resíduos do modelo.

Os dois gráficos apontam que a distribuição dos resíduos tendem à normalidade. Os

bairros que mais se distanciam da normalidade no gráfico Normal Q-Q Plot, foram

Deodoro, Camorim, São Cristóvão, Jacaré e Vaz Lobo, bairros com a maior SMR IAM.

Figura 43 – Histograma e Normal Q-Q Plot dos resíduos do modelo final de SMR

IAM

A Figura 44 apresenta os gráficos da dispersão dos resíduos e dos valores

ajustados pelo modelo, e da Distância de Cook em cada uma das observações. Assim

como nos modelos anteriores, o formato de cone da nuvem de dispersão aponta para a

heterocedasticidade dos resíduos. O gráfico da Distância de Cook aponta para a

ausência de observações influentes.

62

Figura 44 - Dispersão dos resíduos versus Valores ajustados pelo modelo e Distância

de Cook em cada observação

Os mapas da Figura 45 mostram a distribuição do valor absoluto dos resíduos

por quartil, os bairros onde o valor absoluto dos resíduos foi maior do que dois desvios

padrão, e o LISA dos valores absolutos dos resíduos.

No primeiro mapa observamos que os valores absolutos dos resíduos se

distribuem de maneira aleatória. Já o mapa dos bairros onde o valor absoluto dos

resíduos foi superior a dois desvios padrão mostra uma distribuição também aleatória,

sendo vizinhos diretos apenas Vasco da Gama e São Cristóvão, além de Deodoro e

Campo dos Afonsos. O Índice I de Moran Local dos valores absolutos dos resíduos foi

0,019, apontando para autocorrelação espacial global fraca ou inexistente.

Localmente, destacaram-se Vargem Pequena e Camorim, em vermelho e

amarelo mais ao sul no mapa do LISA, assim como Deodoro, Vila Militar e Campo dos

Afonsos, em vermelho mais ao centro do mapa, como também Honório Gurgel,

Oswaldo Cruz e Vasco da Gama. Ou seja, apesar da distribuição espacial da SMR IAM

aparentemente em faixas no mapa, os erros do modelo ao que parece se distribuem

aleatoriamente, mesmo havendo focos locais de não estacionariedade.

63

Figura 45 - Valores Absolutos dos resíduos por quartil; bairros onde o valor absoluto

dos resíduos foi maior do que dois desvios padrão e p-valor do LISA dos valores

absolutos dos resíduos.

Na Tabela 10 se detalham os coeficientes, as estimativas, o erro padrão e o p-

valor encontrado no modelo CAR da SMR IAM. Novamente observamos ligeira

diminuição do erro padrão, além de pequenas alterações nas estimativas. O modelo não

se mostrou significativo a 5%, apresentando, contudo, um p-valor de 0,0659. O AIC

diminuiu em relação ao MLG, o que indica uma maior precisão do modelo CAR,

apresentando, contudo, diferenças mínimas em relação ao MLG.

Tabela 10 – CAR da SMR IAM – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,140 0,607 0,0004 Esgotamento Sanitário 0,016 0,006 0,0131 Renda de Idosos -0,139 0,027 <0,0001 P-valor: 0,0659 AIC: 549,92

64

5.3.4. Doenças Cerebrovasculares

Na Figura 46 se mostra o histograma, o boxplot e o Normal Q-Q Plot da Taxa

de Mortalidade Padronizada de Idosos por Doenças Cerebrovasculares (SMR DC).

Observa-se pelo histograma e boxplot que a distribuição da SMR DC é assimétrica, com

valores mais dispersos acima da mediana. Os bairros Pedra de Guaratibam Jacaré,

Saúde e São Cristóvão se destacam como valores discrepantes, sendo os bairros que

apresentaram as maiores SMR DC. Observamos no Normal Q-Q Plot que além dos

bairros com a maior SMR DC, os bairros onde a mesma foi 0 caracterizam pontos que

afastam a distribuição da normalidade. Não ocorreram óbitos por Doenças

Cerebrovasculares em dez bairros do município: além dos quatro citados no início do

capítulo, Joá, Camorim, Grumari, Vila Militar, Vidigal e Engenheiro Leal.

Figura 46 – Histograma, boxplot e Normal Q-Q Plot da SMR DC com observação

discrepante substituído pela média

Os mapas da Figura 47 apresentam a distribuição da SMR DC e da Taxa

estimada pelo método Bayesiano Empírico para Doenças Cerebrovasculares, ambos por

quartil. No primeiro, apesar de observarmos alguns bairros com valores elevados, que

compõem o terceiro e quarto quartis da distribuição da SMR DC dispersos pelo mapa,

percebe-se um padrão, com os valores mais baixos, que fazem parte do primeiro quartil,

concentrados principalmente nos bairros ao extremo sul do mapa, em uma faixa que vai

de Grumari até a Urca.

Logo acima desta faixa observamos uma concentração de bairros que

compuseram o segundo quartil, e acima destes se concentraram os valores mais

elevados, que compuseram o terceiro e quarto quartis. Este padrão, de aumento da taxa

65

na direção sul-norte se apresenta de forma mais clara no segundo mapa. Destaca-se

contudo que os bairros que compõem a Ilha de Governador aparentam ter uma

distribuição própria dentro do município do Rio de Janeiro, não seguindo este padrão

global.

Figura 47 – Mapas da Distribuição da SMR DC e da Taxa de mortalidade por Doenças

Cerebrovasculares estimada pelo método Bayesiano Empírico nos bairros do Rio de

Janeiro

O Índice de Moran Global foi de 0,097, apontando para uma autocorrelação

espacial global fraca. O mapa da Figura 48 mostra os bairros que se destacaram

localmente no LISA. Observamos um cluster formado pelos bairros onde a SMR DC foi

mais baixa, na faixa destacada em vermelho e amarelo, composta por Barra da Tijuca,

Joá, Catete, Urca, Copacabana, Ipanema, Leblon, Lagoa, Gávea, Vidigal e São Conrado.

Gurmari, em amarelo a sudoeste no mapa, Parada de Lucas e Vista Alegre, em

vermelho e amarelo respectivamente, ao norte do mapa e Campinho, em vermelho mais

ao centro, também se destacara a nível local.

Neste sentido, observamos que apesar de uma autocorrelação espacial global

fraca, existe um agrupamento de bairros com características próprias na distribuição

desta taxa, o que deve ser levado em consideração na etapa da modelagem.

66

Figrua 48 – Moran Local da SMR DC nos bairros do Rio de Janeiro

5.3.4.1. Modelagem da SMR DC

Na primeira etapa da modelagem da SMR DC foram selecionadas as

variáveis Esgotamento Sanitário, Razão de Sexo de Idosos, Índice de Envelhecimento

Populacional, Renda Nominal Média de Idosos e Renda menor de 2 Salários Mínimos.

Destas, permaneceram Razão de Sexo de Idosos e Renda Nominal de Idosos. O VIF não

apontou para colinearidade das variáveis independentes que permaneceram no modelo.

A Tabela 11 mostra os coeficientes, as estimativas, o erro padrão e o p-valor obtido no

MLG. O modelo final indica que bairros com maior Razão de Sexo de Idosos e Renda

de Idosos apresentaram menores SMR DC.

MLG da SMR DC – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 6,369 0,894 <0,0001 Razão de Sexo de Idosos -2,793 1,299 0,0332 Renda de Idosos -0,235 0,044 <0,0001 P-valor: <0,0001 AIC: 650,68

67

Na Figura 49 estão o histograma e o Normal Q-Q Plot dos resíduos do modelo.

Observa-se no histograma que a suposição de normalidade da distribuição dos resíduos

é plausível. No Normal Q-Q Plot os pontos mais discrepantes corresponderam aos

bairros onde a SMR DC foi mais elevada.

Figura 49 - Dispersão dos resíduos versus Valores ajustados pelo modelo e Distância

de Cook em cada observação

Na Figura 50 estão os gráficos da dispersão dos resíduos versus valores

ajustados pelo modelo e a Distância de Cook de cada uma das observações.

Figura 50 - Dispersão dos resíduos versus Valores ajustados pelo modelo e Distância

de Cook em cada observação

68

No primeiro gráfico observamos o comportamento heterocedástico da

distribuição dos resíduos, sendo os pontos que mais destoaram da nuvem de dispersão

os bairros onde a SMR DC foi elevada: Pedra de Guaratiba, Saúde e Jacaré. No gráfico

da distância de Cook não observamos pontos influentes.

Os mapas da Figura 51 apresentam a distribuição espacial dos valores absolutos

dos resíduos do modelo por quartil, os bairros onde os valores absolutos dos resíduos

foram maiores do que dois desvios padrão, e p-valor obtido no LISA dos valores

absolutos dos resíduos.

Figura 51 - Valores Absolutos dos resíduos por quartil; bairros onde o valor absoluto

dos resíduos foi maior do que dois desvios padrão e p-valor do LISA dos valores

absolutos dos resíduos.

No mapa dos valores absolutos dos resíduos por quartil observamos um

mosaico, com bairros vizinhos apresentando valores bem distintos, o que indica a

aleatoriedade nesta distribuição espacial. Tal aleatoriedade é reforçada pelo Índice I de

Moran Global, que foi de -0,011, apontando para autocorrelação espacial fraca ou

inexistente. Em relação aos bairros onde os valores absolutos dos resíduos foi superior a

dois desvios padrão, observamos também aleatoriedade, estando os valores dispersos

69

pelo mapa. Dos bairros destacados neste mapa apenas Vasco da Gama e São Cristóvão

são vizinhos.

Também não observamos clusters locais no mapeamento do p-valor do LISA

dos valores absolutos dos resíduos, destacando-se São Cristóvão, Vasco da Gama e

Magalhães Bastos, em vermelho, e Vila Militar, em amarelo. Neste sentido, podemos

concluir que os resíduos do modelo estão distribuídos de maneira aleatória e se

aproximam da normalidade.

A Tabela 12 mostra os coeficientes, as estimativas, o erro padrão e o p-valor

encontrado no modelo CAR, ajustado a partir das variáveis independentes selecionadas

no MLG.

CAR da SMR DC – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 6,255 0,820 <0,0001 Razão de Sexo de Idosos -2,584 1,207 0,0323 Renda de Idosos -0,245 0,038 <0,0001 P-valor: 0,1478 AIC: 650,59

As alterações nas estimativas, no erro padrão e no p-valor dos coeficientes do

modelo CAR em relação ao MLG foram pequenas, assim como o valor do AIC.

Novamente o modelo CAR se mostrou mais preciso do que o MLG, com um erro padrão

menor, porém com pior ajuste.

70

5.3.5. Pneumonia

Além dos quatro bairros onde não ocorreram óbitos por nenhuma das causas

estudas, citados anteriormente, apenas em Grumari não ocorreram óbitos por

pneumonia. A Taxa de Mortalidade Padronizada de Idosos por Pneumonia (SMR PN)

apresentou uma distribuição que se aproximou da normalidade, como se observa no

histograma da Figura 52. Das observações discrepantes no boxplot aquelas que mais

destoam correspondem aos bairros com os maiores valores da SMR PN: Zumbí (12,38

óbitos para cada 1.000 idosos), Saúde (11,34 óbitos para cada 1.000 idosos), Joá e

Camorim (10,94 óbitos para cada 1.000 idosos). Estes bairros também se destacam no

gráfico Normal Q-Q Plot, sendo os pontos mais distantes.

Figura 52 – Histograma, Boxplot e Normal Q-Q Plot da SMR PN

Os mapas da Figura 53 mostram a distribuição da SMR PN e da Taxa estimada

pelo método Bayesiano Empírico para esta causa de óbito nos bairros do Rio de Janeiro

estratificado por quartil. No primeiro mapa observa-se a aleatoriedade na distribuição da

SMR PN nos bairros, evidenciada pelo mosaico formado por bairros onde os valores

desta taxa foram elevados fazendo fronteira com bairros onde os valores da mesma

foram baixos.

No mapa da taxa estimada pelo método Bayesiano Empírico observa-se uma

concentração dos valores mais elevados, que compõem o terceiro e quarto quartil, em

alguns bairros da Área de Planejamento 2, como Urca, Leme, Botafogo, Copacabana,

Rocinha, Vila Isabel, Tijuca e Alto da Boa Vista, e também bairros da Área de

71

Planejamento 3. Os valores mais baixos se concentraram nos bairros que compõem as

Regiões Administrativas Portuária, Vigário Geral, Penha, Ramos e Complexo da Maré,

e nos bairros que compõem a Área de Planejamento 5.

Figura 53 - Mapas da Distribuição da SMR PN e da Taxa de mortalidade por

Pneomonia estimada pelo método Bayesiano Empírico nos bairros do Rio de Janeiro

O Índice I de Moran Global da SMR PN foi de 0,010, apontando para uma

autocorrelação espacial fraca, já indicada pela aleatoriedade na distribuição espacial da

SMR PN.

O mapa da Figura 54 mostra os bairros que se destacaram localmente pelo

LISA. Observamos que alguns bairros se destacaram, como Vargem Grande, Camorim

(em vermelho) e Vargem Pequena (amarelo) mais a sudoeste no mapa, onde a SMR PN

foi elevada, Lagoa e Leblon, bairros em que a SMR PN foi baixa, destacados em

amarelo a sudeste, Campo dos Afonsos, em vermelho, e Vila Militar, em amarelo, mais

ao centro do mapa, onde a SMR PN também foi baixa, e Ribeira e Moneiró, em

vermelho e amarelo, respectivamente, a nordeste do mapa, na Ilha do Governador, que

apresentaram SMR PN elevada e baixa, respectivamente.

Neste sentido, apesar de observarmos alguns bairros que se destacaram

localmente, podemos supor aleatoriedade na distribuição da SMR PN, com base no

mapa e no Índice I de Moran Global, assim como a suposição de normalidade na mesma

se mostrou plausível pela análise gráfica. Os bairros que se destacaram localmente

merecem atenção durante o processo de modelagem.

72

Figura 54 – Moran Local da SMR DC nos bairros do Rio de Janeiro

5.3.5.1. Modelagem da SMR PN

Na primeira etapa da modelagem da SMR PN foram selecionadas,

através dos MLG univariados, as variáveis Esgotamento Sanitário, Tipo de Domicílio e

Renda de Sexo de Idosos para serem utilizadas na modelagem multivariada. As duas

últimas foram retiradas durante a segunda etapa da modelagem, permanecendo, no

modelo final escolhido apenas o Esgotamento Sanitário. Os coeficientes, as estimativas,

o erro padrão e o p-valor do MLG ajustado estão na Tabela 13. Este modelo indicou

que bairros com maior cobertura de serviços sanitários básicos apresentaram uma menor

SMR PN.

Tabela 13 – GLM da SMR PN – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 5,265 0,971 <0,0001 Esgotamento Sanitário -0,023 1,054 0,0236 P-valor: 0,0236 AIC: 657,18

73

Os gráficos da Figura 55 mostram o histograma e o Normal Q-Q Plot dos

resíduos do modelo, onde se observou que o comportamento da distribuição dos

mesmos se aproxima da mortalidade, apesar de alguns valores discrepantes. Estas

observações correspondem aos bairros onde a SMR PN foi mais elevada: Zumbi, Saúde,

Joá e Camorim, sendo as observações que mais se afastam da normalidade no Normal

Q-Q Plot.

Figura 55 – Histograma e Normal Q-Q Plot dos Resíduos do modelo selecionado da

SMR PN

Na Figura 56 se encontram os gráficos da dispersão dos resíduos versus valores

ajustados pelo modelo e o gráfico da Distância de Cook de cada observação. O padrão

da nuvem de dispersão mostra a heterocedasticidade dos resíduos, enquanto o gráfico da

distância de Cook de cada observação aponta Grumari como uma observação com alta

influência no modelo.

Para verificar esta influência deste bairro no modelo, foi ajustado um novo MLG

sem esta observação. Os coeficientes, as estimativas, o erro padrão e o p-valor deste

novo MLG ajustado se encontram na Tabela 14.

GLM da SMR PN excluindo Grumari – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 7,098 1,094 <0,0001 Esgotamento Sanitário -0,043 0,011 0,0003 P-valor: 0,0003 AIC: 643,42

74

Figura 56 – Dispersão dos resíduos versus valores ajustados pelo modelo e Distância de

Cook de cada observação

Observamos neste novo modelo aumento da significância, e diminuição do AIC

e do erro padrão do Esgotamento Sanitário, o que aponta para um modelo mais bem

ajustado e mais preciso do que o anterior. Além disto, as estimativas também alteraram:

segundo este novo modelo o aumento de 1unidade na porcentagem de cobertura de

Esgotamento Sanitário acarreta uma diminuição de 0,043 na SMR PN, quase o dobro do

observado anteriormente.

Na Figura 57 estão o histograma e o Normal Q-Q Plot deste novo modelo

ajustado, sem Grumari. O histograma deste novo modelo foi similar ao do modelo com

Grumari. No Normal Q-Q Plot os bairros que destoaram foram aqueles onde a SMR PN

foi maior, assim como observado anteriormente.

Na Figura 58 observamos o gráfico de dispersão dos resíduos versus valores

ajustados pelo modelo e a Distância de Cook de cada uma das observações. A nuvem de

dispersão é similar à encontrada no modelo anterior, apontando para a

heterocedasticidade dos resíduos. No gráfico da distância de Cook nenhuma observação

foi identificada como influente.

Neste sentido, optamos por utilizar este novo modelo, sem Grumari.

75

Figura 57 – Histograma e Normal Q-Q Plot dos Resíduos do modelo selecionado da

SMR PN, sem Grumari

Figura 58 – Dispersão dos resíduos versus valores ajustados pelo modelo e Distância de

Cook de cada observação, sem Grumari

Os mapas da distribuição espacial dos valores absolutos dos resíduos

estratificado por quartil, os mapas onde o valor absoluto do resíduo foi superior a dois

desvio padrão e o mapeamento do p-valor obtido no LISA se encontram na Figura 59.

No mapa dos valores absolutos por quartil observa-se o comportamento aleatório

da distribuição da mesma no espaço, não havendo nenhum padrão aparente. Camorim,

Joá, Saúde e Zumbi apresentaram valores padronizados dos resíduos superiores a dois

desvios padrão, e estão destacados em vermelho no segundo mapa.

76

Nenhum bairro se destacou localmente a 5% de significância. Os bairros em

destaque no mapa do p-valor do LISA são Camorim, Cosme Velho, São Cristóvão,

Tomás Coelho e Cocotá, todos com p-valor entre 0,05 e 01, em amarelo. O Índice I de

Moran Global foi de 0,020, apontando para autocorrelação espacial fraca.

Figura 59 - Valores Absolutos dos resíduos por quartil; bairros onde o valor absoluto

dos resíduos foi maior do que dois desvios padrão e p-valor do LISA dos valores

absolutos dos resíduos.

Na Tabela 15 estão os coeficientes, estimativas, erro padrão, p-valor dos

coeficientes, p-valor de ajuste do modelo e AIC do CAR ajustado baseado no MLG, e

excluindo o bairro de Grumari.

CAR da SMR PN excluindo Grumari – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 7,045 1,071 <0,0001 Esgotamento Sanitário -0,043 0,011 0,0001 P-valor: 0,8389 AIC: 645,38

77

Assim como observado nos demais modelos CAR ocorreram ligeiras alterações

nas estimativas, no erro padrão e no p-valor dos coeficientes. O ajuste do modelo não

foi significativo a 5% e ocorreu aumento no AIC.

78

5.3.6. Doenças Crônicas das Vias Aéreas Inferiores

Além de Campo dos Afonsos, Gericinó, Parque Colúmbia e Vasco da Gama, não

ocorreram óbitos por esta causa nos bairros Saúde, Acarí, Joá, Camorim, Grumari, Vila

Militar, Barra de Guaratiba, Cidade Nova, Ribeira e Praia da Bandeira, quase 10% das

observações. Os maiores valores da Taxa de Mortalidade Padronizada por Doenças

Crônicas das Vias Aéreas Inferiores em Idosos (SMR DCVAI) ocorreram em Vista

Alegre e Zumbi.

A Figura 60 apresenta o histograma, o boxplot e o Normal Q-Q Plot da SMR

DCVAI. Observamos pelo histograma e pelo boxplot que a distribuição da SMR

DCVAI é simétrica, sendo observações discrepantes os bairros onde os valores desta

taxa foi mais elevado, sendo também as observações que mais se destacam no Normal

Q-Q Plot: Vista Alegre e Zumbi.

Figura 60 – Histograma, Boxplot e Normal Q-Q Plot da SMR PN

Os mapas da Figura 61 apresentam a distribuição da SMR DCVAI por quartil

nos bairros e da Taxa estimada pelo método Bayesiano Empírico para esta causa de

óbito. Observa-se no primeiro mapa que distribuição da SMR DCVAI aparenta ser

aleatória.

No mapa das taxas estimadas pelo método Bayesiano Empírico observamos

quatro aglomerados de valores mais elevados da mesma: um no extremo oeste do mapa,

formado por Santa Cruz e Sepetiba; outro no extremo leste do mapa, formado por

Centro, Saúde, Gamboa, Santo Cristo, Cajú, São Cristóvão, Maracanã, Praça da

Bandeira e Rio Comprido; logo a esquerda deste um agrupamento formado por

79

Bonsucesso, Jacaré, Maria da Graça, Del Castilho, Inhaúma, Jacarezinho, Engenho

Novo, Méier, Todos os Santos, Cachambi, Engenho de Dentro, Piedade, Abolição e

Pilares; e, à esquerda deste último, outro grupamento formado por Tanque, Praça Seca e

Vila Valqueire. Aparentemente estes bairros funcionam como “picos” dos valores taxa

estimada pelo método Bayesiano empírico, com os valores da taxa diminuindo na

medida de que se afasta dos mesmos.

Na Ilha do Governador observamos valores elevados em Tauá, Moneró, Praia da

Bandeira, Cacuia e Pitangueiras. Assim como observado nos outros agrupamentos com

valores elevados da taxa, o valor desta diminui de acordo com que os bairros se afastam

dos bairros com valores elevados da mesma.

Figura 61 – Mapas da Distribuição da SMR DCVAI e da Taxa de mortalidade por

Doenças Crônicas das Vias Aéreas Inferiores estimada pelo método Bayesiano

Empírico nos bairros do Rio de Janeiro

Neste sentido, apesar da aparente aleatoriedade observada no primeiro mapa, ao

suavizar a taxa pelo método Bayesiano Empírico, observam-se cinco “focos” diferentes

com um padrão similar de comportamento da taxa, diminuindo o valor desta de acordo

com que se afasta do centro do “foco”. O Índice I de Moran Global foi de 0,002,

apontando para autocorrelação espacial fraca ou inexistente a nível global.

O mapa do p-valor do LISA da SMR DCVAI, na Figura 62 mostra um cluster

em vermelho no extremo sul, formado por Barra de Guaratiba, Grumari, Recreio, Barra

da Tijuca, Itanhanguá, Joá e Gávea, onde os valores da SMR DCVAI foram mais

baixos. Além destes bairros Parque Colúmbia e Acarí, também em vermelho ao norte do

mapa também se destacaram localmente, com SMR DCVAI igual a 0, Engenho de

80

Dentro e Água Santa, mais ao centro do mapa em vermelho e amarelo, respectivamente,

onde a SMR DCVAI foi elevada, assim como Cacuia, em vermelho na Ilha do

Governador. Parque Anchieta, em amarelo, a oeste de Parque Colúmbia e Acarí também

se destacou localmente, com uma SMR DCVAI baixa.

Figura 62 – Moran Local da SMR PN nos bairros do Rio de Janeiro

Neste sentido, observamos que a SMR DCVAI apresenta uma distribuição que

se aproxima da normalidade, sendo simétrica, apesar de alguns valores discrepantes. A

distribuição da mesma espacialmente aparenta ser aleatória, apesar de observarmos um

grande cluster local formado por bairros onde a SMR DCVAI foi mais baixa. Além

disto, a partir da suavização da Taxa podemos distinguir diferentes “focos” que

apresentaram regimes espaciais próprios, porém similares entre si.

5.3.6.1. Modelagem da SMR DCVAI

Na primeira etapa da modelagem da SMR DCVAI foram selecionadas as

variáveis Esgotamento Sanitário, Razão de Sexo de Idosos e Renda Nominal Média de

idosos pelos modelos univariados. Durante a modelagem multivariada a variável

Esgotamento Sanitário foi retirada, permanecendo as outras duas no modelo final

81

selecionado. O VIF não apontou para colinearidade das variáveis que permaneceram no

modelo. Na Tabela 16 se encontram os parâmetros do modelo. De acordo com o

modelo em bairros onde a Razão de Sexo e a Renda de Idosos foram mais elevadas a

SMR DCVAI foi mais baixa.

Tabela 16 – GLM da SMR DCVAI – Modelo Final

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,734 0,370 <0,0001 Razão de Sexo de Idosos -1,780 0,538 0,0011 Renda de Idosos -0,044 0,018 0,0156 P-valor: 0,0003 AIC: 372,15

Observamos no histograma dos resíduos, na Figura 63, que a distribuição destes

se aproxima da normalidade, e que as observações que mais se afastam da normalidade

correspondem aos resíduos nos Bairros onde a SMR DCVAI foi mais elevada. O

Normal Q-Q Plot respalda a suposição de normalidade dos resíduos.

Figura 63 – Histograma e Normal Q-Q Plot

A Figura 64 apresenta os gráficos da dispersão dos resíduos versus valores

ajustados pelo modelo e a Distância de Cook de cada observação. No gráfico da

dispersão dos resíduos observamos o formato de “cone” da nuvem, o que aponta para

heterocedasticidade. No gráfico da Distancia de Cook não observamos nenhum ponto

influente.

82

Figura 64 – Dispersão Resíduos versus Valores Ajustados e Distância de Cook por

observação

Os mapas da Figura 65 apresentam a distribuição dos valores absolutos dos

resíduos nos bairros, por quartil, os bairros onde o valor absoluto do resíduo foi maior

que dois desvios padrão e o p-valor do LISA dos valores absolutos dos resíduos.

No mapa dos valores absolutos dos resíduos estratificado por quartil observamos

alguns agrupamentos de bairros onde os valores foram mais elevados como por

exemplo o conjunto de bairros formados Deodoro, Vila Militar, Campo dos Afonsos,

Jardim Sulacap e Praça Seca, todos fazendo parte quarto quartil, e uma faixa

concentrando valores mais baixos dos valores absolutos dos resíduos, que se estende

desde a região centro-norte do mapa até o sudeste, englobando bairros como Gericinó,

Bangú, Senador Camará, Jacarepaguá, Barra da Tijuca, Joá, São Conrado, Ipanema,

Leblon, Copacabana e Alto da Boa Vista, que compõem o primeiro quartil.

Apenas quatro bairros apresentaram valor absoluto dos resíduos maior que dois

desvios padrão: Vasco da Gama, a leste no mapa, Vista Alegre, Campo dos Afonsos

mais a oeste, Vista Alegre, ao norte e Zumbi, na Ilha do Governador, estando estes

bairros bem distantes no mapa.

No mapa do p-valor do LISA observou-se que três pequenos clusters, um a

sudeste no mapa, formado por Ipanema, Lagoa, Joá, Alto da Boa Vista, São Conrado,

Grajaú e Engenho Novo, outro na região centro-norte, composto por Vila Militar,

Campo dos Afonsos e Jardim Sulacap, e outro na Ilha do Governador, composto por

Ribeira, Zumbi e Cacuia. Também se destacaram a nível local Parada de Lucas e Acari.

83

Figura 65 – Valores Absolutos dos resíduos por quartil; bairros onde o valor absoluto

dos resíduos foi maior do que dois desvios padrão e p-valor do LISA dos valores

absolutos dos resíduos.

O Índice I de Moran Local foi de 0,066, o que aponta para uma autocorrelação

espacial fraca ou inexistente, que reflete a aparente aleatoriedade na distribuição

espacial dos valores absolutos dos resíduos. Apesar de observamos pequenos clusters

locais, a suposição de normalidade dos resíduos se mostrou plausível.

Na Tabela 17 se encontram os coeficientes, estimativas, erro padrão, p-valor dos

coeficientes, p-valor de ajuste do modelo e AIC do CAR ajustado para a SMR DCVAI,

baseado no MLG.

Tabela 17 – CAR da SMR DCVAI

Coeficientes Estimativa Erro Padrão P-Valor Intercepto 2,772 0,342 <0,001 Razão de Sexo de Idosos -1,829 0,502 0,0002 Renda de Idosos -0,046 0,016 0,0041 P-valor: 0,1700 AIC: 372,28

84

Novamente não se observaram grandes variações nas estimativas do modelo,

permanecendo a relação no mesmo sentido, havendo ligeira diminuição no erro padrão,

e ligeiro aumento no AIC, além da perda da significância do ajuste do modelo, o que

aponta para um modelo pior ajustado, se comparado ao MLG, embora mais preciso.

85

6. DISCUSSÕES

Apesar da tendência de universalização do processo de envelhecimento

populacional, tem ficado evidente que as diferenças na velocidade e na forma como o

mesmo ocorre estão relacionadas com as características socioeconômicas da população,

de maneira que as desigualdades que observamos neste processo nos bairros do

município do Rio de Janeiro no presente estudo vão ao encontro com o que vem sendo e

discutido na literatura nos últimos anos, em diferentes níveis de agregação de dados.

Observamos nestas análises que o estágio do envelhecimento populacional está

mais avançado nos bairros do Rio de Janeiro que apresentam melhores indicadores

socioeconômicos.

Estudo realizado por Veras34

mostrou que as diferenças na expectativa de vida

ao nascer entre as unidades da federação mais e menos desenvolvidas do Brasil no

período de 1980 a 1985 ultrapassavam 20 anos de idade e que, segundo estimativas, as

regiões menos desenvolvidas do mundo alcançariam, apenas a partir de 2040, um nível

de fertilidade próximo ao observado nas regiões mais desenvolvidas do planeta já em

1975. Desta forma, sabendo da relação da fecundidade e da expectativa de vida com o

envelhecimento populacional, tais resultados indicam um envelhecimento mais

acentuado nas regiões mais desenvolvidas, como observado em nosso estudo.

Neste mesmo sentido Chaimowicz8 também apontou para as diferenças regionais

no processo de envelhecimento populacional do Brasil com o passar dos anos,

destacando um estágio mais avançado de envelhecimento na região sudeste, mais

desenvolvida socioeconomicamente. Cabe a ressalva que o nível de agregação dos

dados bem como os indicadores de desenvolvimento socioeconômico nestes dois

estudos é diferente dos utilizados em nosso estudo.

Em relação aos diferenciais intra-urbanos no processo de transição demográfica,

Martins & Almeida35

ao analisar os dados referentes a 1997 nos distritos do município

de São Paulo, mostraram uma relação inversa entre o Índice de Desenvolvimento

Humano (IDH) e o nível de fecundidade, com taxas de natalidade mais elevadas nas

áreas onde o IDH foi menor. Neste sentido, considerando os avanços na expectativa de

vida nos últimos anos é de se esperar que, atualmente, as áreas de maior IDH possuam

proporção mais elevadas de adultos e idosos quando comparadas àquelas de menor

IDH, provavelmente com um contingente maior de jovens.

Ainda quanto à realidade intra-urbana, Paes-Sousa24

apontou para as diferenças

nas pirâmides etárias das unidades de planejamento que compõem Belo Horizonte,

utilizando a proporção de chefes de domicílios com baixa escolaridade como indicador

86

socioeconômico. O autor observou que nas unidades de planejamento que compunham

o primeiro quintil deste indicador socioeconômico a pirâmide etária apresentou base

estreita com aumento no ápice, típico de populações envelhecidas, enquanto nas

unidades de planejamento que compunham o quinto quintil a pirâmide etária foi

característica de uma população jovem, com base larga e ápice fino.

Tais diferenças respaldam as desigualdades observadas na distribuição da

mortalidade por doenças crônicas entre idosos no município do Rio de Janeiro. Segundo

Paes-Sousa24

as cidades brasileiras passam por um processo de transição múltipla de

mortalidade, onde áreas mais ricas apresentam mortalidade elevada por neoplasias e

doenças cardiovasculares, enquanto as regiões mais pobres experimentam carga dupla

de doenças com elevada mortalidade por doenças infecciosas, homicídios, doenças

cardiovasculares e doenças respiratórias.

O foco dado no presente estudo aos óbitos específicos da população idosa

permite definir de maneira ainda mais clara o padrão de mortalidade que o município do

Rio de Janeiro vem enfrentando, considerando os diferentes cenários socioeconômicos e

demográficos dos bairros que o compõem.

Nos bairros mais desenvolvidos socioeconomicamente, e em um estágio mais

avançado de envelhecimento, concentrando maiores proporções de idosos com 70 anos

ou mais, observamos as maiores SMR por neoplasias, enquanto o modelo ajustado para

esta taxa apontou relação direta entre a cobertura de esgotamento sanitário e a mesma.

Neste caso a cobertura de esgotamento sanitário pode ser interpretada como um

indicativo de desenvolvimento socioeconômico dos bairros e da população que neles

reside.

Este comportamento, maiores taxas de mortalidade por neoplasias nos bairros

mais desenvolvidos socioeconomicamente, foi destacado também por Santos &

Noronha33

em estudo realizado com dados de mortalidade referentes à população em

geral no período de 1996 a 1998 no município do Rio de Janeiro. Neste estudo

observou-se correlação bivariada de Pearson positiva entre este indicador de

mortalidade e a cobertura de esgotamento sanitário, o que é compatível com os

resultados encontrados em nosso estudo.

Por um lado, é provável que uma melhor condição socioeconômica permita

maior acesso ao diagnostico e tratamento destas doenças, possibilitando maior

sobrevida, o que “arrastaria” estes óbitos para as faixas etárias mais elevadas. Por outro

lado, é interessante ressaltar que os diferentes tipos de neoplasias apresentam fatores de

risco próprios e relacionados ao estilo de vida e principalmente ao sexo.

87

Guerra et al.37

evidenciaram as diferenças existentes na ocorrência de tipos de

neoplasias restritas ao sexo, ao afirmar em sua revisão que no Brasil os tumores de

próstata são os mais frequentes entre homens, enquanto nas mulheres se destacam

câncer de mama, seguidos por câncer de colo uterino. Nesse sentido, a abordagem dada

em nosso estudo às neoplasias, agregando todos os tipos da doença em uma única taxa

de mortalidade, pode ter provocado a perda de detalhes, principalmente no que diz

respeito à razão de sexo de idosos, influenciando na determinação da distribuição da

mortalidade por estas doenças no Rio de Janeiro.

As doenças cardiovasculares foram a principal causa de mortalidade em idosos

no município do Rio de Janeiro em 2010, e as três causas de óbito analisadas que

correspondem ao grupo das causas cardiovasculares, ou seja, Doenças Hipertensivas,

Infarto Agudo do Miocárdio e Doenças Cerebrovasculares, apresentaram distribuições

espaciais similares.

Nos bairros em estágio mais avançado de envelhecimento, e com melhores

condições socioeconômicas os valores das SMR por estas causas foram menores,

enquanto nos bairros em um estágio intermediário de envelhecimento, com indicadores

socioeconômicos medianos, e nos menos desenvolvidos socioeconomicamente as taxas

foram maiores. Estudos realizados em outros países, como Estados Unidos e Austrália,

obtiveram resultados semelhantes, observando maiores taxas de mortalidade por

doenças cardiovasculares em áreas mais desenvolvidas socioeconomicamente35,36

.

Os modelos ajustados para as três causas de mortalidade apontaram para

associação inversa das SMR com a renda de idosos, resultado conflitante com os

encontrados por Santos & Noronha36

. Em estudo realizado com dados de 1996 a 1998

estes autores encontraram correlação negativa entre coeficientes de mortalidade por

doenças circulatórias em geral e o percentual de chefes de família com rendimento

menor que 10 salários mínimos, sabendo que valores maiores deste indicador apontam

para bairros mais pobres.

Entre os diversos motivos que poderiam estar associados com esta diferença

podemos citar o fato de, no estudo em questão, os coeficientes de mortalidade serem

calculados para a população em geral enquanto em nosso estudo analisamos os óbitos

somente de idosos, além disto, nosso estudo considerou causas específicas de óbitos

dentro do grande grupo das doenças circulatórias, enquanto o estudo de Santos &

Noronha36

aglomerou todas as causas que compreendem este grupo.

Em contrapartida, outras pesquisas encontraram resultados semelhantes ao

observado em nosso estudo. Souza ao analisar a mortalidade por doença isquêmica do

88

coração com dados de 1991 na população de 30 a 70 anos no município do Rio de

Janeiro por bairro observou associação inversa entre a taxa de mortalidade por esta

causa e o percentual de chefes de domicílio com rendimento superior a 15 salários

mínimos26

. Ishitani et al.40

ao analisarem a SMR por Doenças Hipertensivas e

Cerebrovasculares na população adulta em alguns municípios do Brasil entre 1999 e

2001 encontraram associação inversa desta taxa de mortalidade com alta escolaridade e

direta com a taxa de pobreza.

Ainda em relação à SMR por Doenças Cerebrovasculares, o modelo apontou

para associação inversa com a razão de sexo, apontando para menores taxas em bairros

com maior proporção de homens idosos em relação às mulheres.

Este resultado é conflitante com o que vem sendo discutido na literatura, que

aponta o sexo masculino como fator de risco para doenças cardiovasculares,

principalmente pela maior prevalência de fatores de risco para doenças vasculares em

homens, como obesidade, tabagismo e consumo elevado de carnes vermelhas38

. Lima-

Costa et al.42

observaram taxa de mortalidade por doenças cerebrovasculares entre

idosos do sexo masculino 22% maior do que entre as do sexo masculino no Brasil em

2000. Neste sentido, deve-se ter cautela ao interpretar e considerar a associação

observada em nosso estudo pela falta de plausibilidade biológica e epidemiológica da

mesma.

Retornando ao estudo de Ishitani et al.40

, foi observada a associação inversa

entre SMR por doenças isquêmicas do coração e taxa de pobreza e alta escolaridade e

relação direta com as condições precárias de moradia. Os autores destacaram esta

associação inversa entre pobreza e as SMR por doenças isquêmicas do coração como

inesperada, atribuindo como possíveis causas da mesma o grau de agregação dos dados

e os critérios de seleção das unidades de observação para realização do estudo. Em

nosso estudo, observamos comportamento contrário, com associação inversa da SMR

por infarto com a renda e associação direta com a cobertura de esgotamento sanitário,

indicador de qualidade da moradia.

Em relação à SMR por Pneumonia observamos associação direta com a

cobertura de esgotamento sanitário, evidenciada no modelo ajustado. No estudo

realizado por Santos & Noronha36

a correlação entre coeficiente de mortalidade por

doenças do aparelho respiratório entre 1996 e 1998 e o esgotamento sanitário foi

negativa, acusando um padrão similar ao observado em nosso estudo.

Estudos apontam que o próprio envelhecimento é um fator de risco para a

ocorrência de pneumonia, principalmente pela queda no sistema de defesa do

89

organismo, sendo este risco potencializado pela existência de co-morbidades39

. Além

disto, fatores ambientais como clima, poluição e aglomeração domiciliar também

podem aumentar a ocorrência de pneumonia. Neste sentido, o fato de observarmos

menores SMR por pneumonias em bairros com maior cobertura de esgotamento

sanitário provavelmente está associado às melhores condições de moradia, refletindo

um ambiente menos favorável a disseminação desta doença.

Quanto a SMR por Doenças Crônicas das Vias Aéreas Inferiores, observamos

associação inversa com a Renda e a Razão de Sexo entre Idosos, de maneira que quanto

maior a proporção de homens em relação as mulheres e maior a Renda, menor a SMR.

Toyoshima et al.44

apontam em seu estudo taxas de mortalidade por doenças

respiratórias na população em geral maiores entre indivíduos do sexo masculino. Nesta

mesma direção foram os resultados encontrados por Lima-Costa et al.42

que constataram

taxas de mortalidade por doenças crônicas das vias aéreas inferiores entre homens

idosos duas vezes maior do que entre mulheres em 2010 no Brasil. Ou seja, também em

relação a esta SMR observamos uma associação que vai de encontro ao que vem sendo

apresentado na literatura quanto a distribuição da mesma quanto ao sexo.

Observamos que as estimativas obtidas através da utilização dos Modelos

Lineares Generalizados foram próximas as encontradas no modelo do erro espacial

CAR, o que pode estar relacionado ao fato de nenhuma das SMR analisadas apresentar

autocorrelação espacial forte. Souza26

ao analisar as doenças isquêmicas do coração

entre adultos em 1991 nos bairros do Rio de Janeiro em adultos obteve resultados

similares ao encontrados em nosso estudo no que diz respeito às diferenças das

estimativas obtidas pelo Modelo Linear Generalizado e pelo CAR, também muito

pequenas.

Por fim, devemos lembrar que segundo os dados do SIM as causas mal definidas

de óbito foram a quinta maior causa de óbitos entre idosos em 2010 representando mais

de 5% dos óbitos desta população neste ano. Além disto, Santos & Noronha36

apontaram para uma maior participação desta causa de óbito nos bairros com piores

indicadores socioeconômicos, e correlação elevada e positiva entre esta causa de

mortalidade e as doenças do aparelho circulatório e respiratório, e também por

neoplasias.

Ou seja, bairros mais pobres onde as taxas de doenças do aparelho circulatório

são mais elevadas podem ter suas taxas subestimadas pela ausência de registro, o que

pode influenciar nas associações encontradas no presente estudo. Assim, é possível que

90

os diferenciais intra-urbanos aqui observados sejam ainda maiores devido as diferenças

existentes entre os bairros na representatividade das causas mal definidas.

91

7. CONCLUSÕES

Observamos em nosso estudo que o município do Rio de Janeiro apresentou

diversos cenários socioeconômicos no ano de 2010, com diferenças marcantes no

processo de transição demográfica em seus bairros, que se refletiram na distribuição da

mortalidade por doenças crônicas em idosos neste ano.

De maneira geral, bairros mais ricos e desenvolvidos socioeconomicamente se

encontravam em um estágio mais avançado de envelhecimento populacional, e

apresentaram menores taxas de mortalidade por doenças circulatórias e respiratórias em

idosos e maiores taxas de mortalidade por neoplasias. Neste sentido, apesar destas três

causas se destacarem como os grupos mais prevalentes em idosos e que mais aumentam

com o processo do envelhecimento, destaca-se que outros fatores relacionados com as

características socioeconômicas e demográficas da população podem estar associados

com a ocorrência de tais doenças de maneira mais forte do que o processo de

envelhecimento em si.

Do ponto de vista metodológico, considerando a ausência de autocorrelação

espacial, é possível propor outros métodos estatísticos de análise em estudos futuros que

visem analisar as doenças crônicas em idosos no município, como a utilização de outras

famílias de distribuição em Modelos Lineares Generalizados na abordagem dos casos de

óbitos entre idosos, bem como a incorporação de dados referentes às causas mal

definidas que possam corrigir alguma distorção causada pela falta de qualidade dos

dados utilizados nestes estudos.

Outro detalhe que merece atenção em estudos posteriores são as variáveis

socioeconômicas a serem utilizadas. Os dados censitários específicos sobre a população

idosa são escassos, além disto, muitos indicadores amplamente utilizados em estudos

ecológicos de saúde possuem baixa variabilidade e poder de diferenciação das unidades

de observação analisadas, principalmente pelo avanço nos serviços mais básicos, como

saneamento.

Poucos estudos focam a análise de mortalidade da população idosa em nível de

observação intra-urbano, buscando descrever e avaliar estes dados em nível menores de

agregação como bairros e setores censitários. Desta forma, a utilização de dados

agregados em níveis maiores, como municípios, microrregiões, estados e regiões pode

gerar a perda de informações específicas que só podem ser observados em níveis

menores de agregação.

Neste sentido, apesar do Rio de Janeiro ser o segundo estado mais envelhecido

do país e sua capital uma das mais envelhecidas do Brasil, existem diferenças internas

92

que necessitam de atenção para melhor pensar o desenvolvimento de políticas públicas ,

visando atender as necessidades específicas de saúde nos diferentes cenários dentro do

município do Rio de Janeiro.

Ressaltamos que as discordâncias encontradas com outros estudos em relação à

algumas associações entre as taxas de mortalidade e indicadores socioeconômicos e

demográficos podem estar associadas ao nível de agregação de dados aqui utilizados .

O processo de envelhecimento populacional, apesar de desigual e em diferentes

estágios nos bairros do Rio de Janeiro, está bem estabelecido e é uma realidade do

município. Os bairros em um estágio intermediário de envelhecimento tendem a

alcançar logo um envelhecimento mais avançado de sua população, o que promete

aumentar ainda mais a ocorrência de doenças crônicas nestes locais, podendo também

gerar uma sobreposição de doenças, com manutenção das principais causas atuais de

morbi-mortalidade.

Esta sobreposição pode gerar um aumento nas demandas de atendimento de

saúde da futura população idosa para a qual o Sistema Único de Saúde não se encontra

preparado. Sendo assim, torna-se emergencial o desenvolvimento de políticas de saúde

pública que foquem a atual população adulta e jovem, visando à redução de agravos e

possibilitem um envelhecimento saudável e com qualidade de vida para os futuros

idosos, evitando um cenário insustentável para o SUS.

Além disto, sabendo da importância de políticas e ações de saúde pública que

atendam as necessidades específicas de cada população, atentar para as diferenças entre

os bairros do Rio de Janeiro quanto à ocorrência das doenças e ao cenário social,

econômico e demográfico destacadas no presente estudo, bem como a evolução deste

cenário nos próximos anos, pode ser de fundamental importância para o

desenvolvimento de ações equitativas.

93

8. REFERÊNCIAS

1. Siqueira RL, Botelho MIV, Coelho FMG. A velhice: algumas considerações teóricas

e conceituais. Ciência & Saúde Coletiva, 2002; 7(4): 899-906.

2. Silva VL, Leal MCC, Marino JG, Marques APO. Associação entre carência social e

causas de morte entre idosos residentes no Município de recife, Pernambuco, Brasil.

Cad. Saúde Pública, Rio de Janeiro, 2008; 24(5): 1013-1023.

3. Jardim VCFS, Medeiros BF, Brito AM. Um olhar sobre o processo do

envelhecimento: a percepção de idosos sobre a velhice. Rev. Bras. Geriatr. Gerontol.,

Rio de Janeiro, 2006; 9 (2): 25-34.

4. Giacomin KC, Peixoto SV, Uchoa E, Lima-Costa MF. Estudo de base populacional

dos fatores associados à incapacidade funcional entre idosos na Região Metropolitana

de Belo Horizonte, Minas gerais, Brasil. Cad. Saúde Pública, Rio de Janeiro, 2008;

24(6): 1260-1270.

5. Melo MC, Souza AL, Leandro EL, Mauricio HA, Silva ID, Oliveira JMO. A

educação em saúde como agente promotor de qualidade de vida para o idoso. Ciência &

Saúde Coletiva, 2009; 14(Supl. 1): 1579-1586.

6. Carvalho JAM, Garcia RA. O envelhecimento da população brasileira: um enfoque

demográfico. Cad. Saúde Pública, 2003; 19(3): 725-733.

7. World Health Organization. Social Development and Ageing: Crisis or Opportunity?

Geneva, 2000.

8. Chaimowicz, F. A saúde dos idosos brasileiros às vésperas do século XXI:

problemas, projeções e alternativas. Rev. Saúde Pública, 1997; 31 (2): 184-200.

9. Fiedler MM, Peres KG. Capacidade funcional e fatores associados em idosos do Sul

do Brasil: um estudo de base populacional. Cad. Saúde Pública, Rio de Janeiro, 2008;

24(2): 409-415.

94

10. Carvalho JAM, Rodríguez-Wong LL. A transição da estrutura etária da população

brasileira na primeira metade do século XXI. Cad. Saúde Pública, Rio de Janeiro, 2008;

24(3): 507-605.

11. Paixão Jr. CM, Reichenhein ME. Uma revisão sobre instrumentos de avaliação do

estado funcional do idoso. Cad. Saúde Pública, Rio de Janeiro, 2005; 21(1): 7-19.

12. Nunes MCR, Ribeiro RCL, Rosado LEFPL, Franceschini SC. Influência das

características sóciodemográficas e epidemiológicas na capacidade funcional de idosos

residentes em Ubá, Minas Gerais. Rev Bras Fisioter, São Carlos, 2009; 13(5): 376-82.

13. Viera MA, Lima RAG. Crianças e adolescentes com doença crônica: convivendo

com mudanças. Rev Latino-am Enfermagem, 2002; 10(4): 552-60.

14. Mariath AB, Grillo LP, Silva RO, Campos Ic, Medina JRP, Kruger RM. Obesidade

e fatores de risco para o desenvolvimento de doenças crônicas não transmissíveis entre

usuários de unidade de alimentação e nutrição. Cad. Saúde Pública, Rio de Janeiro,

2007; 23(4): 897-905.

15. Cesar JA, Oliveira-Filho JA, Bess G, Cegielka R, Machado J, Gonçalves TS,

Neumann NA. Perfil dos idosos em dois municípios pobres da região Norte e Nordeste:

resultados de estudo transversal de base populacional. Cad. Saúde Pública, Rio de

Janeiro, 2008; 24(8): 1835-1845.

16. Lima-Costa MFF, Barreto S, Giatti L. A situação socioeconômica afeta igualmente

a saúde de idosos e adultos mais jovens no Brasil? Um estudo utilizando dados da

Pesquisa Nacional por Amostras de Domicílios – PNAD/98. Ciência & Saúde Coletiva,

2002; 7(4): 813-824.

17. Closs VE, Shwanke CHA. A evolução do índice de envelhecimento no Brasil, nas

suas regiões e unidades federativas no período de 1970 a 2010. Rev. Bras. Geriatr.

Gerontol., Rio de Janeiro, 2012; 15(3):443-458.

95

18. Alves DSB, Barbosa MTS. Desigualdades na Mortalidade por Doenças Crônicas

entre idosos e sua associação com indicadores socioeconômicos no Brasil. RBCEH,

Passo Fundo, 2010; 7(1): 22-33.

19. Araújo JD. Polarização epidemiológica no Brasil. Epidemiol. Serv. Saúde, Brasília,

2012; 21(4): 533-538.

20. Frenk J, Frejka T, Bobadilla JL, Stern C, Lozano R, Sepulveda JYY, José M. La

transition epidemiológica em América Latina. Boletin de la Oficina Sanitaria

Panamericana. 1991; 111(6):485-496.

21. Carvalho SM, Souza-Santos R. Análise de dados espaciais em saúde pública:

métodos, problemas, perspectivas. Cad. Saúde Pública, Rio de Janeiro, 2005, 21(2):361-

378.

22. Paes-Sousa R. Diferenciais intra-urbanos de mortalidade em Belo Horizonte, Minas

Gerais, Brasil, 1994: revisitando o debate sobre transições demográfica e

epidemiológica. Cad. Saúde Pública, Rio de Janeiro, 2002, 18(5):1411-1421.

23. Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública

de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras

Cad. Saúde Pública, Rio de Janeiro, 2012; 28(5):955-964.

24. Y. Verhasselt Y, Mansourian B. Método para la classificación de los países de

acuerdo com sus indicadores de salud. Bol. Of Sanit. Panam., 1991; 110(4).

25. Carvalho MS, Cruz OG, Nobre FF. Perfil de risco: método multivariado de

classificação sócio-econômica de microáreas urbanas – os setores censitários da região

metropolitana do Rio de Janeiro. Cad. Saúde Pública, Rio de Janeiro, 1997; 13(4):635-

645.

26. Souza MC. Modelos de regressão ecológica: Uma aplicação em doença isquêmica

do coração Rio de Janeiro – 1991. Dissertação de Mestrado, Escola Nacional de Saúde

Pública, Rio de Janeiro, 2004.

96

27. Hair JF, Tatham RL, Anderson RE, William B. Análise de Regressão Múltipla. In

Análise Multivariada de Dados – 5ª Edição, pág. 179. Editora Bookman, 1998.

28. Câmara G, Carvalho MS, Cruz OG, Correa V. Análise de Dados de Áreas. In

Druck, S.; Carvalho, M.S.; Câmara, G.; Monteiro, A.V.M. (eds) "Análise Espacial de

Dados Geográficos". Brasília, EMBRAPA, 2004 (ISBN: 85-7383-260-6).

29. Rodrigues AF, Escobar AL, Souza-Santos R. Análise espacial e determinação de

áreas para o controle da malária no Estado de Rondônia. Rev. Soc. Bras. Med. Trop.,

2008; 41(1): 55-64.

30. Souza WV, Barcellos CC, Brito AM, Carvalho MS, Cruz OG, Albuquerque MFM,

Alves KR, Lapa TM. Aplicação de modelo bayesiano empírico na análise espacial da

ocorrência de hanseníase. Rev Saúde Pública, 2001; 35(5): 474-80.

31. Turkman MAA, Silva GL. Modelos Lineares Generalizados – da teoria à prática.

Monografia, Lisboa, 2000.

32. Righetto AJ, Tachibana VM. Análise de regressão linear: abordagem tradicional e

espacial em um estudo de caso. Resumo, 19º SINAPE, São Pedro – SP, 2010.

33. Schmidt AM, Nobre AA, Ferreira GS. Alguns aspectos da modelagem de dados

espacialmente referenciados. Maio, 2003. Disponível em:

http://www.dme.ufrj.br/~alex/rbe.pdf, Acesso em 19/03/2013.

34. Veras RP. Brazil is getting older: demographic changes and epidemiological

challenges. Rev. Saúde Públ., São Paulo, 1991; 25 (6): 476-88.

35. Martins CM, Almeida MF. Fecundidade e diferenciais intra-urbanos de

desenvolvimento humano, São Paulo, Brasil, 1997. Rev Saúde Pública, 2001; 35(5):

421-7.

97

36. Santos SM, Noronha CP. Padrões espaciais de mortalidade e diferenciais

socioeconômicos na cidade do Rio de Janeiro. Cad. Saúde Pública, Rio de Janeiro,

2001; 17(5): 1099-1110.

37. Guerra MR, Gallo CVM, Mendonça GAS. Risco de câncer no Brasil: tendências e

estudos epidemiológicos mais recentes. Revista Brasileira de Cancerologia, 2005; 51(3):

227-234.

38. Singh GK, Siahpush M. Increasing inequalities in all-cause and cardiovascular

mortality among US adults aged 25–64 years by area socioeconomic status, 1969–1998.

Int J Epidemiol, 2002; 31: 600–13.

39. Turrell G, Mathers C. Socioeconomic inequalities in all-cause and specific-cause

mortality in Australia: 1985-1987 and 1995-1997. Int J Epidemiol., 2001; 30: 231-9.

40. Ishitani LH, Franco GC, Perpétuo IHG, França E. Desigualdade social e mortalidade

precoce por doenças cardiovasculares no Brasil. Rev Saúde Pública, 2006; 40(4): 684-

91.

41. Moura EC, Neto OLM, Malta DC, Moura L, Silva NN, Bernal R, Claro RM,

Monteiro CA. Vigilância de Fatores de Risco para Doenças Crônicas por Inquérito

Telefônico nas capitais dos 26 estados brasileiros e no Distrito Federal (2006). Ver.

Bras. Epidemiol., 2008; 11(supl 1): 20-37.

42. Lima-Costa MF, Peixoto SV, Giatti L. Tendências da mortalidade entre idosos

brasileiros (1980 – 2000). Epidemiologia e Serviços de Saúde, 2004; 13(4): 217 – 228.

43. Gomes L. Fatores de risco e medidas profiláticas nas pneumonias adquiridas na

comunidade. J Pneumol., 2001; 27 (2): 97 - 114.

44. Toyoshima MTK, Ito GM, Gouveia N. Tendências temporais da morbidade e da

mortalidade por doenças respiratórias na cidade de São Paulo. Rev. Med., São Paulo,

2003; 82(1-4): 67-77.